Foam-Assisted Enhanced Oil Recovery: Bridging the Gap between Theory and Practice
Notice bibliographique
Résumé
The utilization of foam in enhanced oil recovery (EOR) applications has been the subject of extensive scientific investigations in last two decades. This is due to its ability to regulate the mobility of residual oil and improve the interfacial properties simultaneously. As a result, foam declines the gas relative permeability and improves overall sweep efficiency. The effectiveness of the foam in EOR application is a function of porosity, permeability, the flow rate of gaseous and liquid phases, capillary pressure, temperature, and salinity. Despite the various benefits associated with foam-assisted EOR, significant challenges have been identified in its implementation. In reservoir-like conditions, foam is susceptible to drying out because the lamella cannot withstand the prevalent capillary pressure resulting from the insufficient liquid. This results in the coalescence and drying of foam. The effectiveness of foam diminishes when it dries out, leaving only the liquid phase, thereby causing the relative permeability to resemble that of water injection. The present study suggests a best practise workflow to address the aforementioned issues in foam-assisted EOR (theoretical, experimental, and simulation perspectives). The workflow consists of characterizing the foam independently before conducting an optimized coreflood. We purport that more thought into the form of the semi-empirical local equilibrium (LE) model may be warranted. Furthermore, the study provides a workflow to gain valuable insights to improve the effectiveness of foam-assisted EOR application.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».