logo móvil
Contáctanos

Diseño y Análisis de Rendimiento de Pozos de Gas Seco en Forma de Espina de Pescado para una Menor Huella de Carbono

Autores: Ouadi, Habib; Laalam, Aimen; Hassan, Amjed; Chemmakh, Abderraouf; Rasouli, Vamegh; Mahmoud, Mohamed

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico
2023

Diseño y Análisis de Rendimiento de Pozos de Gas Seco en Forma de Espina de Pescado para una Menor Huella de Carbono


Categoría

Energía

Subcategoría

Tecnología de combustibles

Palabras clave

Tecnología de perforación multilateral
Perforación en forma de espina de pescado
Campos de hidrocarburos
Mejora de la recuperación
Emisiones de carbono
Volumen de reservorio estimulado

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 29

Citaciones: Sin citaciones


Descripción
La tecnología de perforación de pozos multilaterales ha asistido recientemente a la industria de la perforación en la mejora del área de contacto del pozo y en la reducción del tiempo de operación, manteniendo un costo competitivo. El método de perforación de pozos multilaterales más avanzado es la perforación Fishbone (FbD). Este método se ha utilizado en varios campos de hidrocarburos en todo el mundo, resultando en una alta mejora en la recuperación y en la reducción de emisiones de carbono de la perforación. FbD implica perforar varias ramas desde laterales y puede considerarse como un método alternativo a la fracturación hidráulica para aumentar el volumen del reservorio estimulado. Sin embargo, la productividad esperada al aplicar un pozo Fishbone de un campo a otro puede variar debido a diversos desafíos, como el diseño del pozo Fishbone, la litología del reservorio y la accesibilidad. Otro desafío es la falta de modelos analíticos existentes y el efecto de cada parámetro Fishbone en la producción acumulativa, así como la interacción entre ellos. En este artículo, se modificaron modelos de productividad analíticos y empíricos para FbD en un reservorio de gas seco. El modelo analítico modificado mostró una mayor precisión con respecto al modelo existente. También se comparó con el modelo empírico modificado, que demostró su mayor precisión. Finalmente, se desarrollaron algoritmos de aprendizaje automático para predecir la productividad de FbD, que mostraron resultados cercanos tanto con los modelos analíticos como con los empíricos.

Otros recursos que podrían interesarte

Temas Virtualpro