MétaCan
Menu
Retour à la cohorte
Enregistrement W4414134434 · doi:10.3390/sym17091513

A Comprehensive Review of Symmetrical Multilateral Well (MLW) Applications in Cyclic Solvent Injection (CSI): Advancements, Challenges, and Future Prospects

2025· review· en· W4414134434 sur OpenAlexafffund
Shihua Wu, Farshid Torabi, Ali Cheperli

Notice bibliographique

RevueSymmetry · 2025
Typereview
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Regina
Organismes subventionnairesPetroleum Technology Research Centre
Mots-clésViscositySolventFlow (mathematics)Key (lock)Process (computing)

Résumé

récupéré en direct d'OpenAlex

This paper presents a comprehensive review and theoretical analysis of integrating Cyclic Solvent Injection (CSI) with multilateral well (MLW) technologies to enhance heavy oil recovery. Given that many MLW configurations inherently exhibit symmetrical geometries, CSI–MLW integration offers structural advantages for fluid distribution. CSI offers a non-thermal mechanism for oil production through viscosity reduction, oil swelling, and foamy oil behaviour, but its application is often limited by poor sweep efficiency and non-uniform solvent distribution in conventional single-well configurations. In contrast, MLW configurations are effective in increasing reservoir contact and improving flow control but lack solvent-based enhancement mechanisms. In particular, symmetrical MLW configurations, such as dual-opposing laterals and evenly spaced fishbone laterals, can facilitate balanced solvent distribution and pressure profiles, thereby improving sweep efficiency and mitigating early breakthrough. By synthesizing experimental findings and theoretical insights from the existing literature, laboratory studies have reported that post-CHOPS CSI using a 28% C3H8–72% CO2 mixture can recover about 50% of the original oil in place after six cycles, while continuous-propagation CSI (CPCSI) has achieved up to ~85% OOIP in 1D physical models. These representative values illustrate the performance spectrum observed across different CSI operational modes, underscoring the importance of operational parameters in governing recovery outcomes. Building on this foundation, this paper synthesizes key operational parameters, including solvent composition, pressure decline rate, and well configuration, that influence CSI performance. While previous studies have extensively reviewed CSI and MLW as separate technologies, systematic analyses of their integration remain limited. This review addresses that gap by providing a structured synthesis of CSI–MLW interactions, supported by representative quantitative evidence from the literature. The potential synergy between CSI and MLW is highlighted as a promising direction to overcome current limitations. By leveraging geometric symmetry in well architecture, the integrated CSI–MLW approach offers unique opportunities for optimizing solvent utilization, enhancing recovery efficiency, and guiding future experimental and field-scale developments. Such symmetry-oriented designs are also central to the experimental framework proposed in this study, in which potential methods, such as the microfluidic visualization of different MLW configurations, spanning small-scale visualization studies, bench-scale experiments on fluid and chemical interactions, and mock field setups with pipe networks, are proposed as future avenues to further explore and validate this integrated strategy.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
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 Opus0,017
Tête enseignante GPT0,303
Écart entre enseignants0,286 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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'admission2
Résumé présentoui

Explorer davantage

Même revueSymmetryMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207