MétaCan
Menu
← Retour à la cohorte
Enregistrement W6922309754 · doi:10.11575/prism/36401

Analytical and numerical modeling of the Cyclic ES-SAGD process

2019· other· en· W6922309754 sur OpenAlexaboutno aff

Notice bibliographique

RevueOpen MIND · 2019
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésViscosityOil viscositySteam-assisted gravity drainageSolventWork (physics)Steam injectionThermalDiffusion

Résumé

récupéré en direct d'OpenAlex

The world is still highly dependable on the energy that comes from oil. The current demand for energy has given importance to oil reservoirs that were normally overlooked in the past due to its properties. One example is found in the Canadian heavy oil sands. The amount of oil that is accumulated in these reservoirs represents the third largest accumulation of oil in the world. In these reservoirs, thermal processes such as Steam Assisted Gravity Drainage (SAGD), are used extensively as a production method. In SAGD, the injection of the steam into the reservoir reduces the viscosity of the oil, which moves downward by the effect of gravity until it reaches a production well. This research presents an alternative way of using SAGD in an efficient and profitable manner. One of the possible variations of SAGD that has shown positive results is the co-injection of a solvent in the injected stream. The idea behind this is to improve the effect of the reduction in the oil viscosity by the diffusion of this solvent in the oil. The amount and type of solvent injected as well as the amount that is recovered are key parameters in the performance of this process, particularly because these solvents are generally more expensive than oil. This work studied the co-injection of the solvent with the steam periodically. This means that in this case the solvent is co-injected through cycles instead of continuously. Some of the aspects that were evaluated are the type of solvent, its concentration and the duration of each of the solvent injection cycles. This study includes the derivation of an analytical model that is able to estimate the oil rate than comes from a cyclic solvent co-injection SAGD process and the use of numerical reservoir simulation to determine the principal recovery mechanisms of the process. One of the principal conclusions is that a similar positive result of the solvent co-injection could be achieved with less amount of solvent usage. This would considerably benefit the profitability of the process and the general performance of SAGD.

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)0,000
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,049
Tête enseignante GPT0,348
Écart entre enseignants0,298 · 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
GenreMéthodes

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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen MIND→Travaux en français237 207→