Experimental Investigation of the Effect of Solvent Type and Its Concentration on the Performance of ES-SAGD
Notice bibliographique
Résumé
Steam-assisted gravity drainage (SAGD) is a widely used thermal enhanced oil recovery (EOR) technique in North America, particularly in high-permeability oil sand reservoirs. While effective, its economic viability has declined due to low oil prices and high greenhouse gas (GHG) emissions from the steam generation. To improve cost-effectiveness and reduce emissions, solvent-assisted SAGD techniques have been explored. Expanding Solvent-SAGD (ES-SAGD) involves co-injecting light hydrocarbons like propane or butane with steam to enhance oil viscosity reduction. This approach lowers the steam–oil ratio by combining solvent dissolution effects with thermal effects. However, the high cost of solvents, particularly butane, challenges its commercial feasibility. Propane is cheaper but less effective, while butane improves performance but remains expensive. This research aims to optimize ES-SAGD by using a propane–butane mixture to achieve efficient performance at a lower cost than pure butane. A linear sand pack is used to evaluate different propane/butane compositions, maintaining constant operational conditions and a solvent concentration of 15 vol.%. Temperature monitoring provides insights into steam chamber growth. Results show that solvent injection significantly enhances ES-SAGD performance compared to conventional SAGD. Performance improves with increasing butane concentration, up to 80% butane in the C3–C4 mixture at the test pressure and ambient temperature. Propane alone results in the lowest system temperature, while conventional SAGD reaches the highest temperature. These findings highlight the potential of optimized solvent mixtures to improve ES-SAGD efficiency while reducing costs and GHG emissions.
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 | 0,001 | 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 ».