MétaCan
Menu
Retour à la cohorte
Enregistrement W4410932703 · doi:10.2118/225376-ms

Innovating EOR Strategies: Unlocking the Potential of Streaming Potential (Electrokinetic) as Sustainable and Ecofriendly Surveillance Tools for Monitoring ASP Fluid Front

2025· article· en· W4410932703 sur OpenAlexaff
Dike Fitriansyah Putra, Mohd Zaidi Jaafar, Tengku Amran Tengku Mohd, MHaidar T. Putra, İbrahim Kocabaş, Ichsan Al Sabah Lukman, Vira T. Hafeni

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysical and Geoelectrical Methods
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésElectrokinetic phenomenaStreaming currentPetroleum engineeringMicrofluidicsComputer scienceEnvironmental scienceProcess engineeringEngineeringNanotechnologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Enhanced Oil Recovery (EOR) techniques are critical for maximizing hydrocarbon recovery from mature reservoirs. Among the various EOR methods, Alkaline-Surfactant-Polymer (ASP) flooding has gained significant attention due to its ability to improve oil displacement efficiency by reducing interfacial tension, altering wettability, and enhancing viscosity control (Guo, Li, Wang, et al., 2017; D. F. Putra et al., 2023; Zhong et al., 2019). However, despite its effectiveness, ASP flooding presents a significant challenge: real-time monitoring of the injected fluid front to ensure optimal sweep efficiency and minimize production risks (Amran et al., 2017; Mohd et al., 2017; D. F. Putra et al., 2024). The Challenge of Monitoring ASP Fluid Fronts In conventional ASP flooding operations, tracers, resistivity measurements, and production data analysis are commonly used to infer fluid movement. While these methods provide valuable insights, they have inherent limitations: Tracers require continuous sampling and analysis, which can be time-consuming and expensive (D. Putra et al., 2021; Rahman & Putra, 2021). Resistivity logs can indicate fluid saturation changes but may not effectively differentiate between ASP fluids and formation water (Attia, 2007). Production data interpretation offers a delayed response, often reflecting historical rather than real-time fluid movement (Li et al., 2019; Liu, 2019) because ASP flooding involves a complex chemical interplay between reservoir minerals and injected fluids, a more direct, non-intrusive, and continuous surveillance method is required to improve process efficiency (Guo, Li, Wang, et al., 2017; Huang et al., 2019). Electrokinetic Phenomena as a Novel Monitoring Tool Electrokinetic effects, specifically streaming potential, arise when a fluid moves through a porous medium and induces a charge separation at the rock-fluid interface. This natural electrochemical response has been observed in various subsurface applications, including geothermal monitoring, water alternating gas process, intelligent wells, groundwater flow detection, and subsurface geophysics (Anuar et al., 2013; Revil, 2013). When applied to ASP flooding, streaming potential can serve as a real-time, eco-friendly surveillance tool for tracking the movement of injected fluids (Amran et al., 2017; Guichet et al., 2003; Jaafar et al., 2015; Mohd et al., 2017). The fundamental concept behind streaming potential monitoring in ASP flooding is that when ASP fluids move through porous reservoir rocks, they interact with mineral surfaces, creating an electrokinetic response that can be measured as a potential difference (Glover et al., 2012; Walker & Glover, 2018). This response varies based on fluid composition, rock mineralogy, and flow velocity, allowing it to be used as an indirect indicator of ASP fluid movement (Alizadeh et al., 2023; Wang et al., 2017). Unlike chemical tracers or geophysical surveys, streaming potential measurements can be conducted passively, requiring only well-placed electrodes in production or observation wells (Chen et al., 2006; Jaafar, 2013; Jaafar et al., 2009).

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,249
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'étudeExpérimental (laboratoire)
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeophysical and Geoelectrical MethodsTravaux en français237 207