Análise da modelagem experimental da perda de injetividade


Autoria(s): Bonato, Adriano José do Amaral Mello
Contribuinte(s)

Santos, Adriano dos

CPF:25446575881

http://lattes.cnpq.br/0811816959729514

CPF:01725826950

Dutra Júnior, Tarcilio Viana

CPF:09599576420

http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4706483T3

Duarte, Lindemberg de Jesus Nogueira

CPF:94214808487

http://lattes.cnpq.br/6800188552647660

Vaz Júnior, Alexandre Sérvulo Lima

CPF:72487429704

http://lattes.cnpq.br/2162828064470668

Data(s)

17/12/2014

24/02/2014

17/12/2014

13/07/2012

Resumo

Injectivity decline, which can be caused by particle retention, generally occurs during water injection or reinjection in oil fields. Several mechanisms, including straining, are responsible for particle retention and pore blocking causing formation damage and injectivity decline. Predicting formation damage and injectivity decline is essential in waterflooding projects. The Classic Model (CM), which incorporates filtration coefficients and formation damage functions, has been widely used to predict injectivity decline. However, various authors have reported significant discrepancies between Classical Model and experimental results, motivating the development of deep bed filtration models considering multiple particle retention mechanisms (Santos & Barros, 2010; SBM). In this dissertation, inverse problem solution was studied and a software for experimental data treatment was developed. Finally, experimental data were fitted using both the CM and SBM. The results showed that, depending on the formation damage function, the predictions for injectivity decline using CM and SBM models can be significantly different

A perda de injetividade, que pode ser causada pela retenção de partículas, ocorre geralmente durante a injeção ou reinjeção de água em campos de petróleo. Vários mecanismos, incluindo a exclusão pelo tamanho (straining), são responsáveis pela retenção de partículas e bloqueio dos poros da formação, causando dano e o declínio da injetividade. A previsão para o dano à formação e a queda da injetividade é essencial para o gerenciamento de projetos de injeção de água. O modelo clássico (MC), que incorpora os coeficientes de filtração e de dano à formação, tem sido amplamente utilizado na previsão da perda de injetividade. Esse modelo apresenta bons resultados quando apenas um mecanismo de retenção é atuante. Entretanto, vários autores relataram discrepâncias significativas entre o modelo clássico e os dados experimentais, motivando o desenvolvimento de modelos que consideram múltiplos mecanismos de retenção de partículas, como o modelo de Santos e Barros (MSB, 2010). Neste trabalho, foi estudada a solução do problema inverso para diferentes modelos. A partir deste estudo, foi desenvolvido um software para o tratamento dos dados experimentais. Finalmente, os dados experimentais foram ajustados usando tanto o MC quanto o MSB. Os resultados demonstraram que, dependendo da função dano à formação utilizada, as previsões dos modelos MC e MSB para a perda de injetividade podem ser significativamente diferentes

Formato

application/pdf

Identificador

BONATO, Adriano José do Amaral Mello. Análise da modelagem experimental da perda de injetividade. 2012. 118 f. Dissertação (Mestrado em Pesquisa e Desenvolvimento em Ciência e Engenharia de Petróleo) - Universidade Federal do Rio Grande do Norte, Natal, 2012.

http://repositorio.ufrn.br:8080/jspui/handle/123456789/12984

Idioma(s)

por

Publicador

Universidade Federal do Rio Grande do Norte

BR

UFRN

Programa de Pós-Graduação em Ciência e Engenharia do Petróleo

Pesquisa e Desenvolvimento em Ciência e Engenharia de Petróleo

Direitos

Acesso Aberto

Palavras-Chave #Transporte de suspensões. Retenção de partículas. Dano à formação. Filtração profunda. Reboco externo. Perda de injetividade #Suspension transport. Particle retention. Formation damage. Deep bed filtration. Cake filtration. Injectivity decline #CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA::PETROLEO E PETROQUIMICA
Tipo

masterThesis