FR3142258A1 - Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné - Google Patents
Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné Download PDFInfo
- Publication number
- FR3142258A1 FR3142258A1 FR2212102A FR2212102A FR3142258A1 FR 3142258 A1 FR3142258 A1 FR 3142258A1 FR 2212102 A FR2212102 A FR 2212102A FR 2212102 A FR2212102 A FR 2212102A FR 3142258 A1 FR3142258 A1 FR 3142258A1
- Authority
- FR
- France
- Prior art keywords
- flocculation
- fluid
- model
- hydrocarbon fluid
- asphaltene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005189 flocculation Methods 0.000 title claims abstract description 189
- 230000016615 flocculation Effects 0.000 title claims abstract description 189
- 239000012530 fluid Substances 0.000 title claims abstract description 183
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 101
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 100
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000000203 mixture Substances 0.000 claims description 35
- 239000000470 constituent Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 230000000704 physical effect Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 239000002904 solvent Substances 0.000 claims description 5
- 125000001183 hydrocarbyl group Chemical group 0.000 claims 1
- 238000013459 approach Methods 0.000 description 17
- 239000003208 petroleum Substances 0.000 description 12
- 239000007789 gas Substances 0.000 description 9
- 229920005989 resin Polymers 0.000 description 9
- 239000011347 resin Substances 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 125000004432 carbon atom Chemical group C* 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- CBFCDTFDPHXCNY-UHFFFAOYSA-N icosane Chemical compound CCCCCCCCCCCCCCCCCCCC CBFCDTFDPHXCNY-UHFFFAOYSA-N 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 239000012071 phase Substances 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- IMNFDUFMRHMDMM-UHFFFAOYSA-N N-Heptane Chemical compound CCCCCCC IMNFDUFMRHMDMM-UHFFFAOYSA-N 0.000 description 3
- 150000001335 aliphatic alkanes Chemical class 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- VAMFXQBUQXONLZ-UHFFFAOYSA-N n-alpha-eicosene Natural products CCCCCCCCCCCCCCCCCCC=C VAMFXQBUQXONLZ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 229930195734 saturated hydrocarbon Natural products 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000012808 vapor phase Substances 0.000 description 2
- UDHXJZHVNHGCEC-UHFFFAOYSA-N Chlorophacinone Chemical compound C1=CC(Cl)=CC=C1C(C=1C=CC=CC=1)C(=O)C1C(=O)C2=CC=CC=C2C1=O UDHXJZHVNHGCEC-UHFFFAOYSA-N 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003311 flocculating effect Effects 0.000 description 1
- 238000000892 gravimetry Methods 0.000 description 1
- 125000005842 heteroatom Chemical group 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- GPPXJZIENCGNKB-UHFFFAOYSA-N vanadium Chemical compound [V]#[V] GPPXJZIENCGNKB-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2823—Raw oil, drilling fluid or polyphasic mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
La présente invention concerne un procédé de détermination de conditions de floculation d’un fluide hydrocarboné dans lequel on applique un modèle de floculation au fluide hydrocarboné, ainsi qu’un modèle compositionnel. Ensuite, on compare des paramètres de floculation obtenus par le modèle compositionnel associé à un modèle thermodynamique et le modèle de floculation pour caler le modèle compositionnel. Figure 1 à publier
Description
La présente invention concerne le domaine de la caractérisation d’un fluide hydrocarboné, en vue d’optimiser son exploitation.
Les asphaltènes sont les composants les plus lourds et les plus polaires d’une coupe pétrolière. Un fluide hydrocarboné, également appelé fluide pétrolier, est en effet une suite continue d’hydrocarbures (alcanes, naphtènes, aromatiques). Les asphaltènes sont définis, selon la norme française AFNOR T 60-115, comme la fraction d’un fluide pétrolier qui flocule (précipite) dans le n-heptane et qui est soluble dans le benzène. Il s’agit donc d’une classe de solubilité. Ces asphaltènes floculent sous l’effet de trois facteurs : variation de température, de la pression ou de la composition chimique. En effet, la modification de la composition du fluide peut également induire le phénomène de floculation. L’ajout d’alcanes légers va produire une floculation des asphaltènes tandis que l’ajout d’aromatiques va permettre de les stabiliser dans le brut.
Lors de la production d’un puits, le fluide hydrocarboné subit des variations de pression, de température et de composition. Il est donc susceptible de floculer, c’est-à-dire de former un agrégat de particules solides. Cette floculation va se traduire par un dépôt d’asphaltènes dans les pores du réservoir, ce qui a pour conséquence une modification de la porosité du milieu, de sa perméabilité et finalement de la production d’hydrocarbures. Dans les cas ultimes, cette floculation peut induire le colmatage des pores et provoquer l’arrêt du puits. Il est donc important de pouvoir prédire ce phénomène.
De plus, la floculation d’asphaltène peut représenter un risque de bouchage de puits et des lignes de production. Lors de l’exploitation de fluides pétroliers asphalténiques, il est donc fondamental d’évaluer le risque de floculation.
Cette évaluation se base sur la détermination de la courbe de floculation du fluide, qui représente la quantité d’asphaltène floculé en fonction de la pression pour une température donnée (voir exemple ). La illustre une courbe de la quantité d’asphaltène w précipité en fonction de la pression P pour une température donnée. Cette courbe est appelée courbe de floculation. En partant de la basse pression, la floculation démarre à partir d’une pression limite appelée pression de seuil basse (PL). Le maximum d’asphaltène wmaxfloculé est atteint à proximité de la pression de saturation du fluide (Psat). En continuant d’augmenter la pression, la quantité d’asphaltène floculé diminue ensuite, jusqu’à disparaître à la pression de seuil haute (PU). La floculation est maximale (et la quantité d’asphaltènes dans le liquide minimale) lorsque la pression de bulle (apparition de la première bulle de vapeur) est atteinte. En deçà de cette pression, l’apparition d’une phase vapeur riche en alcanes, donc en produits floculants, permet au liquide d’être de nouveau accueillant vis à vis des asphaltènes.
La courbe de floculation d’un fluide hydrocarboné peut être déterminée au moyen d’expérimentations au laboratoire, mais ces expérimentations peuvent être longues et coûteuses. L’utilisation de modèles prédictifs pour déterminer cette courbe est donc une alternative intéressante, en particulier pour les logiciels dédiés à la simulation de réservoir et au transport de fluides pétroliers.
La demande de brevet FR2836719 (US2003/0167157) décrit une méthode pour prédire une courbe de floculation d’un fluide pétrolier à partir de transformations homothétiques de la courbe de floculation d’un fluide de référence. La courbe de floculation du fluide de référence est obtenue préalablement par des mesures expérimentales. Cette méthode nécessite donc des données expérimentales afin d’avoir une courbe de floculation.
Le document :
Sanchez, N.L. A General Approach for Asphaltene Modeling, SPE-107191-MS, Latin American & Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, April 2007
décrit une méthode pour déterminer une courbe de floculation. Cette méthode met en œuvre une décomposition du fluide en sept constituants et un calage de la composition du constituant lourd sur des données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation.
Le document :
Nghiem, L.X. ; Khose, B.F.; Farouq Ali, S.M. Asphaltene Precipitation: Phase Behaviour Modelling and Compositional Simulation, SPE-59432, Asia Pacific Conference on Integrated Modelling for Asset Management, Yokohama, Japan, April 2000.
décrit une méthode pour déterminer une courbe de floculation. Cette méthode propose de séparer le constituant lourd du fluide en deux fractions, et de traiter la phase asphaltène comme une phase solide. Le calage du fluide porte sur des paramètres d’interaction binaire entre les constituants lourds et légers, sur la base de données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation.
Le document :
Szewczyk, V. ; Behar, E. Compositional model for Predicting Asphaltenes flocculation, Fluid Phase Equilibria 185-160 (1999) 459-469
décrit une méthode de représentation du fluide suivant une représentation standardisée à 33 constituants, et un calage de la masse molaire et la température critique du constituant lourd sur la base de données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation. De plus, les modèles utilisés dans cette représentation sont complexes, et donc lourd à mettre en œuvre avec des moyens informatiques (mémoire informatique, processeurs).
L’invention a pour but de déterminer des conditions de floculation d’asphaltène d’un fluide hydrocarboné, de manière précise, simple et rapide, sans nécessiter de mesures expérimentales. Pour cela, l’invention concerne un procédé de détermination de conditions de floculation d’un fluide hydrocarboné dans lequel on applique un modèle de floculation au fluide hydrocarboné, ainsi qu’un modèle compositionnel. Ensuite, on compare des paramètres de floculation obtenus par le modèle compositionnel associé à un modèle thermodynamique et le modèle de floculation pour caler le modèle compositionnel. Le modèle de floculation du fluide permet de se passer de mesures expérimentales pour caler le modèle compositionnel. Ainsi, il est possible d’obtenir les conditions de floculation de manière simple et rapide.
L’invention concerne également un procédé de détermination ou prédiction de floculation d’asphaltène, ainsi qu’un procédé d’exploitation d’un fluide hydrocarboné.
L’invention concerne un procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné. Pour ce procédé, on met en œuvre les étapes suivantes :
- On applique un modèle de floculation audit fluide hydrocarboné pour déterminer au moins un paramètre modélisé de floculation, ledit modèle de floculation reliant la composition d’un fluide à au moins un paramètre de floculation ;
- On construit un modèle compositionnel dudit fluide hydrocarboné, ledit modèle compositionnel décomposant ledit fluide hydrocarboné en plusieurs constituants, et on détermine au moins une propriété physique dudit fluide hydrocarboné au moyen dudit modèle compositionnel ;
- On applique un modèle thermodynamique à ladite au moins une propriété physique déterminée au moyen dudit modèle compositionnel pour déterminer au moins un paramètre de floculation ;
- On cale ledit modèle compositionnel dudit fluide hydrocarboné par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir dudit modèle thermodynamique et ledit au moins un paramètre modélisé de floculation obtenu à partir dudit modèle de floculation ; et
- On détermine les conditions de floculation d’asphaltène dudit fluide hydrocarboné à partir dudit modèle compositionnel calé dudit fluide hydrocarboné.
Selon un mode de réalisation, le procédé comprend une étape préalable de construction dudit modèle de floculation par apprentissage automatique, dans laquelle on met en œuvre les étapes suivantes :
- On construit une base d’apprentissage de fluides d’apprentissage, chaque fluide d’apprentissage étant caractérisé par une composition et au moins un paramètre de floculation, de préférence ledit au moins un paramètre de floculation desdits fluides d’apprentissage étant obtenu expérimentalement ; et
- On construit un modèle de floculation au moyen d’une méthode d’apprentissage automatique entrainée sur ladite base d’apprentissage, ledit modèle de floculation reliant la composition détaillée d’un fluide audit au moins un paramètre de floculation.
Avantageusement, chaque paramètre de floculation est choisi parmi une pression de seuil basse, une pression de seuil haute, une pression de saturation, une quantité maximale d’asphaltène floculé.
De manière avantageuse, ledit modèle compositionnel est basé sur une représentation en N constituants, N étant compris entre 6 et 15, de préférence entre 6 et 12, et valant de manière préférée 10.
Selon un aspect, on cale ledit modèle compositionnel au moyen d’une méthode itérative.
Conformément à une mise en œuvre, ledit modèle thermodynamique est un algorithme de calcul d’équilibre triphasique liquide-liquide-vapeur d’un fluide à une température donnée et à une pression donnée.
Selon une option de réalisation, lesdites conditions de floculation correspondent à une courbe de floculation qui relie la quantité d’asphaltène floculé à la pression du fluide.
Conformément à un mode de réalisation, l’au moins une propriété physique est choisie parmi la masse molaire, la température critique, la pression critique, le facteur acentrique des constituants du fluide.
De plus, l’invention concerne un procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes :
- On détermine des conditions de floculation d’asphaltène dudit fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltène selon l’une des caractéristiques précédentes ;
- On détermine par mesure ou on prédit par simulation, une pression et une température dudit fluide hydrocarboné au sein de ladite formation souterraine ou au sein de ladite conduite de transport ou au sein d’un réacteur de conversion ; et
- On détermine ou on prédit une éventuelle floculation d’asphaltène dudit fluide hydrocarboné en fonction desdites conditions de floculation déterminées et de la pression déterminée ou prédite et de la température déterminée ou prédite.
En outre, l’invention concerne un procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes :
- On détermine ou on prédit une floculation d’asphaltène dudit fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon l’une des caractéristiques précédentes ; et
- On exploite ledit fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène dudit fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné en cas de floculation d’asphaltène et/ou par ajout de solvant.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
La , déjà décrite, illustre une courbe de floculation d’asphaltène.
La illustre les étapes du procédé selon un premier mode de réalisation de l’invention.
La illustre les étapes du procédé selon un deuxième mode de réalisation de l’invention.
La illustre les étapes du procédé selon un troisième mode de réalisation de l’invention.
La illustre les étapes du procédé selon un quatrième mode de réalisation de l’invention.
La illustre, pour un exemple, une comparaison entre des pressions expérimentales, des pressions obtenues au moyen du modèle de floculation et des pressions déterminées par un mode de réalisation de l’invention.
La illustre pour l’exemple de la des courbes de floculation d’asphaltène déterminées au moyen du procédé selon un mode de réalisation de l’invention.
La présente invention concerne un procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné, en d’autres termes un procédé de détermination de conditions de floculation d’un asphaltène contenu dans un fluide hydrocarboné. Le fluide hydrocarboné est notamment un fluide pétrolier, par exemple des huiles, notamment des huiles brutes. Par exemple, il peut s’agir d’un fluide produit par une formation souterraine et/ou un fluide présent dans une conduite de transport de fluide pétrolier et/ou un fluide au sein d’un réacteur de conversion (par exemple un réacteur de désalphatage). Les conditions de floculation sont les conditions de la génération de la floculation d’asphaltène. Elles peuvent par exemple comprendre, pour une température donnée, des conditions de pression (par exemple la pression de seuil basse, la pression de seuil haute, la pression de saturation du fluide) et la quantité maximale d’asphaltène floculé. La pression de seuil basse est la pression à partir de laquelle la floculation d’asphaltène démarre. La pression de seuil haute est la pression à partir de laquelle la floculation d’asphaltène disparaît. La pression de saturation est la pression à laquelle la quantité d’asphaltène floculé est maximale.
De préférence, les conditions de floculation d’asphaltène peuvent permettre de définir la courbe de floculation du fluide hydrocarboné étudié pour une température donnée. Pour rappel, la courbe de floculation relie, pour un fluide, la quantité d’asphaltène floculé à la pression pour une température donnée. Ainsi, le procédé selon l’invention permet de définir des caractéristiques liées à la physique et à la chimie d’un fluide hydrocarboné.
De manière avantageuse, on peut connaître la composition du fluide étudié. En variante, le procédé selon l’invention peut comprendre une étape préalable de détermination de la composition du fluide étudié. De plus, on peut connaître en outre la densité et la pression de bulle du fluide étudié, ou d’autres caractéristiques analogues.
Le procédé selon l’invention met en œuvre les étapes suivantes :
1) Application d’un modèle de floculation
2) Construction d’un modèle compositionnel
3) Application d’un modèle thermodynamique
4) Calage du modèle compositionnel
5) Détermination des conditions de floculation d’asphaltène
Ces étapes peuvent être mises en œuvre par des moyens informatiques, notamment par un ordinateur ou par un serveur. Ces étapes seront détaillées dans la suite de la description.
La illustre, schématiquement et de manière non limitative, les étapes du procédé selon un premier mode de réalisation. Pour un fluide à étudier FLU, on applique un modèle de floculation MOD FLO pour déterminer des paramètres modélisés de floculation. On construit également un modèle compositionnel MOD COM de ce fluide FLU. On applique ensuite un modèle thermodynamique MOD THE au modèle compositionnel. Le modèle compositionnel MOD COM est ensuite calé au moyen des paramètres modélisés de floculation. Le modèle compositionnel calé permet ensuite de déterminer des conditions de floculation CDF.
Conformément à un mode de réalisation de l’invention, le procédé peut comprendre une étape préalable de construction du modèle de floculation par apprentissage automatique. Pour ce mode de réalisation, le procédé selon l’invention peut comporter les étapes suivantes :
A) Construction d’une base d’apprentissage
B) Construction du modèle de floculation
1) Application d’un modèle de floculation
2) Construction d’un modèle compositionnel
3) Application d’un modèle thermodynamique
4) Calage du modèle compositionnel
5) Détermination des conditions de floculation d’asphaltène
Les étapes B et 1 à 5 peuvent être mises en œuvre par des moyens informatiques, notamment par un ordinateur ou par un serveur. Les étapes A et B peuvent être réalisées préalablement une seule fois. Si on souhaite appliquer le procédé selon l’invention à plusieurs fluides, seules les étapes 1 à 4 sont répétées pour chaque fluide. Ces étapes seront détaillées dans la suite de la description. Alternativement, les étapes A et B peuvent être répétées, en ajoutant, à chaque itération, dans la base d’apprentissage le dernier fluide étudié. Ainsi, la base d’apprentissage se complète à chaque itération, et le modèle de floculation peut devenir plus précis.
La illustre, schématiquement et de manière non limitative, les étapes du procédé selon un tel mode de réalisation. Les étapes déjà décrites pour la ne sont pas redétaillées. Le procédé comprend en outre une étape de construction d’une base d’apprentissage BAP. Cette base d’apprentissage BAP permet un entraînement d’une méthode d’apprentissage automatique APP pour construire le modèle de floculation MOD FLO.
Lors de cette étape facultative, on construit une base d’apprentissage d’une pluralité de fluides d’apprentissage. Les fluides d’apprentissage sont des fluides hydrocarbonés. Chaque fluide d’apprentissage est caractérisé par une composition et au moins un paramètre de floculation pour une température donnée.
Chaque paramètre de floculation peut être choisi parmi la pression de seuil basse notée PL, la pression de seuil haute notée PU, la pression de saturation notée Psatet la quantité maximum d’asphaltène floculé notée Wmax.
Selon un mode de réalisation, on peut déterminer expérimentalement les paramètres de floculation pour au moins un fluide d’apprentissage. A titre d’exemple, on peut appliquer une des méthodes décrite dans le document : « Pina et al., Oil & Gas Science and Technology – Rev. IFP, Vol. 61 (2006), No. 3 ». Par exemple, par gravimétrie (cf. paragraphe 5.1), par résonance acoustique, par diffusion de lumière (cf. paragraphe 5.2) ou par filtration (cf. paragraphe 5.3).
Alternativement ou cumulativement, on peut déterminer les paramètres de floculation pour au moins un fluide d’apprentissage à partir d’au moins une documentation publiée, qui divulgue des résultats expérimentaux.
Conformément à une mise en œuvre de l’invention, chaque fluide d’apprentissage peut être décrit par un vecteur de plusieurs constituants (par exemple selon un modèle compositionnel tel que décrit à l’étape 2). Cette décomposition permet une bonne représentation de chaque fluide d’apprentissage. En particulier, les compositions de chaque fluide d’apprentissage peuvent être décrites par un vecteur comprenant de 8 à 33 éléments, de préférence de 10 à 20 éléments. Par exemple (non limitatif), les compositions de chaque fluide peuvent être décrites par un vecteur de 14 éléments selon la répartition suivante :
- quatre gaz : H2S, N2, CO2, CH4;
- cinq pseudo-composants légers dans la coupe C2à C6;
- un pseudo-composant intermédiaire pour la coupe C7+;
- la densité et le poids moléculaire pour la coupe C7+;
- deux pseudo-composants lourds, un par fraction en Résines et Asphaltènes résultantes d’une analyse SARA sur la coupe C20+.
L’analyse SARA est une méthode de caractérisation des huiles lourdes basée sur le fractionnement, dans laquelle un échantillon d’huile lourde est séparé en plus petites quantités ou fractions, chaque fraction ayant une composition différente. Le fractionnement est basé sur la solubilité des composants hydrocarbonés dans divers solvants . Chaque fraction consiste en une classe de solubilité contenant une gamme d’espèces de poids moléculaire différent. Dans cet exemple non limitatif, le pétrole brut est fractionné en deux classes de solubilité Résines et Asphaltènes, parmi les constituants appelées collectivement SARA (SARA désigne respectivement : hydrocarbures saturés S, aromatiques A, résines R et asphaltènes A). Les hydrocarbures saturés sont généralement des iso- et cyclo-paraffines, tandis que les aromatiques, les résines et les asphaltènes forment un continuum de molécules avec une augmentation du poids moléculaire, de l’aromaticité et de la teneur en hétéroatomes. Les asphaltènes peuvent également contenir des métaux tels que le nickel et le vanadium. Cette méthode est parfois appelée analyse des dépôts d’asphaltène/cire/hydrate.
Selon un aspect, la base d’apprentissage peut comprendre un nombre de fluides d’apprentissage au moins égal au nombre de variables (le nombre de variables peut correspondre à la somme de constituants du modèle compositionnel et du nombre de paramètres physiques). De manière avantageuse, le nombre de fluides d’apprentissage peut comprendre un nombre de fluides d’apprentissage au moins égal au double du nombre de variables, afin de permettre une bonne représentativité des différents fluides et de s’affranchir en partie de problème de surapprentissage, pour assurer une bonne fiabilité du modèle de floculation.
Lors de cette étape, qui est également facultative, on construit un modèle de floculation qui associe au moins un paramètre de floculation à une composition de fluide. En d’autres termes, le modèle de floculation permet de déterminer au moins un paramètre de floculation pour un fluide hydrocarboné en fonction de sa composition et de sa température.
Lors de cette étape, on construit le modèle de floculation au moyen d’une méthode d’apprentissage automatique (de l’anglais « machine learning ») entraînée au moyen de la base d’apprentissage construite telle que décrite à l’étape A.
Lors de cette étape, on peut construire le modèle de floculation par apprentissage automatique, de préférence par apprentissage automatique supervisé, de manière préférée par apprentissage automatique supervisé de régression.
Selon un exemple de réalisation, le modèle de floculation peut s’écrire :
La fonction f peut être déterminée à partir d’un algorithme d’apprentissage supervisé sans sélection de variable. Les modèles d’une telle approche sont des modèles linéaires, dans la mesure où à chaque élément du vecteur est associé un coefficient pondérateur, et pour une huile, la somme des produits des éléments du vecteur par leur coefficient respectif conduit à la valeur prédite. Alternativement, l’algorithme d’apprentissage peut être une machine à vecteur de support (SVM de l’anglais « support vector machine »), un réseau de neurones, une forêt aléatoire ou une combinaison de ces méthodes.
Pour le mode de réalisation, pour lequel la fonction f peut être déterminée à partir d’un algorithme d’apprentissage supervisé avec sélection de variable, les modèles peuvent être des approches non linéaires qui peuvent être obtenues par programmation génétique (MGGP, Multi-Gene Genetic Programming en anglais). De tels modèles peuvent être construits par combinaison d’éléments du vecteur avec des opérateurs mathématiques (addition, soustraction, division, produit…) selon un processus d’évolution génétique (sélection de modèles, croisement, mutation…).
Pour les deux approches, les modèles peuvent être entrainés sur une portion de la base de données, et testés sur l’autre portion de la base de données (données externes au processus d’apprentissage).
Selon un aspect, cette étape peut inclure une méthode de validation, de préférence une méthode de validation croisée, notamment une méthode de validation croisée à k-blocs (« k-fold »). Cette méthode de validation croisée permet de réduire les problèmes de « surapprentissage » et d’améliorer la précision du modèle.
Lors de cette étape, on applique un modèle de floculation au fluide hydrocarboné pour déterminer au moins un paramètre modélisé de floculation, appelé également premier paramètre de floculation. Le modèle de floculation peut être connu préalablement ou, le cas échéant, peut être celui construit lors des étapes A et B facultatives. Le modèle de floculation relie la composition du fluide hydrocarboné à au moins un paramètre de floculation pour une température donnée. En d’autres termes, lors de cette étape, on détermine au moins un paramètre de floculation du fluide hydrocarboné au moyen d’un modèle de floculation, qui prend en entrée la composition du fluide et la température. L’utilisation d’un tel modèle permet de déterminer au moins un paramètre de floculation du fluide hydrocarboné sans expérimentation du fluide hydrocarboné. Ainsi, la détermination de conditions de floculation est plus simple et plus rapide.
De préférence, le modèle de floculation peut être un modèle entrainé sur des données (comme c’est le cas pour le modèle construit lors des étapes A et B facultatives). Ainsi, un tel modèle ne nécessite pas de connaissance a priori des phénomènes physiques et/ou chimiques pour la détermination des paramètres de floculation.
Chaque paramètre de floculation peut être choisi parmi la pression de seuil basse notée PL, la pression de seuil haute notée PU, la pression de saturation notée Psatet la quantité maximum d’asphaltène floculé notée Wmax.
Lors de cette étape, on construit un modèle compositionnel du fluide hydrocarboné. Le modèle compositionnel décompose le fluide hydrocarboné en plusieurs constituants. Ainsi, un tel modèle permet une représentation simplifiée et structurée du fluide hydrocarboné, ce qui simplifie la détermination des conditions de floculation. De préférence, on peut construire le modèle compositionnel du fluide hydrocarboné au moyen d’une analyse SARA, telle que décrite pour l’étape A. En outre, lors de cette étape, on détermine au moins une propriété physique du fluide hydrocarboné en fonction de la décomposition du fluide hydrocarboné. En effet, certains paramètres physiques sont directement liés à la composition du fluide. Chaque propriété physique peut être choisie parmi la masse molaire, le facteur acentrique, la pression critique et la température critique des constituants du fluide hydrocarboné. On rappelle que la température critique et la pression critique sont respectivement la plus haute température et la plus haute pression à laquelle il puisse y avoir un équilibre liquide-vapeur. Le facteur acentrique est un nombre utilisé dans la description de la matière en thermodynamique.
Pour le mode de réalisation pour lequel on connaît des paramètres des constituants du fluide hydrocarboné, le fluide initial peut être calé au moyen de ces paramètres, par exemple la pression de bulle.
Selon un mode de réalisation de l’invention, le modèle compositionnel peut être basé sur une représentation en N constituants. Avantageusement, N peut être compris entre 6 et 15. En effet, une décomposition en 6 constituants permet une représentation avec un gaz, une coupe légère et les composants SARA (issus d’une analyse SARA). Ainsi, si on considère moins de 6 constituants, la représentation risque d’être moins précise. De plus, avec une décomposition au-delà de 15 constituants, on améliore la précision au détriment de la complexité de la représentation, et par conséquent, au détriment de la complexité de calculs, du temps et de la mémoire informatique utilisée pour mettre en œuvre l’invention. De préférence, N peut être compris entre 6 et 12, avantageusement entre 8 et 12, et peut valoir 10. Ces valeurs permettent un bon compris entre précision du modèle, et temps et mémoire informatique nécessaires pour les calculs.
Pour l’exemple de réalisation, pour lequel N vaut 10, la représentation en 10 constituants peut être la suivante :
- 4 gaz : N2, H2S, CO2,CH4
- 1 pseudo-composant léger dans la coupe C2à C6
- 1 pseudo-composant intermédiaire dans la coupe C7+à C20
- 4 pseudo-composants lourds, un par fraction (sur la coupe C20+344 °C) en Saturés, Aromatiques, Résines, Asphaltènes (SARA)
Les pseudo-composants SARA sont considérés dans cette approche comme représentatifs de la fraction lourde C20+, avec un nombre d’atomes de carbonenCsupérieur à 20.
Dans le cas où il n’y a pas de composants lourds avecnC> 20 dans le fluide initial, on considère qu’il n’y a pas de risque de dépôt asphalténique, et il n’est pas utile de mettre en œuvre les autres étapes du procédé selon l’invention.
Un exemple non limitatif de mise en œuvre d’un tel modèle compositionnel avec 10 constituants est décrit dans la suite de la description. D’autres approches peuvent être mises en œuvre, par exemple la méthode décrite dans le document suivant ou toute méthode analogue :
Szewczyk V., Béhar E., Compositional model for predicting asphaltenes flocculation, Fluid Phase Equilibria, 156-160, p. 459-469, 1999
La première étape de cette mise en œuvre du modèle compositionnel peut consister à regrouper tous lesmcomposants lourds, dont le nombre de carbonesnCest supérieur à 20, au sein d’un seul pseudo-composanthComp. Les propriétés critiques moyennes de ce pseudo-corps sont calculées via la méthode de regroupement de Montel-Gouel. Cette étape donne un fluide intermédiaire noté φ1qui se compose de (n - m +1) constituants : (n-m) composants légers et intermédiaires, et 1 pseudo-composant lourdhComp.Il convient de préciser qu’il y a éventuellement une partie C20-dans ce pseudo-corpshComp: c’est le cas où le fluide initial donné par l’utilisateur n’a pas de coupe en C20et il existe certains composants parmi lesmconstituants ayant une partie plus légère avec nC < 20.
Exemple : on considère un fluide initial qui comporte, à part des composants légers et intermédiaires (nC < 20), deux composants lourds, l’un dans la coupe C12C25(avecnC= 22) et l’autre dans la coupe C25+(avecnC= 32). L’objectif est de convertir ces deux composants en C12C20et SARA. Dans la première étape, les pseudos C12C25et C25+sont regroupés en un seul pseudo C12+.
Dans la deuxième étape de cette mise en œuvre du modèle compositionnel, le pseudo-composanthCompdu fluide intermédiaire φ1obtenu via l’étape précédente est découpé pour introduire les 4 pseudo-composants SARA. L’enjeu revient donc à la décomposition duhCompen deux parties : une partie C20+correspondante aux fractions SARA et une partie plus légère C20-, ici notée pC20-. Dans l’exemple, il faut diviser le pseudo C12+en C12C20et SARA. Cette action se fait en se basant sur la conservation de masse entre les deux représentations. Les propriétés physiques (M w , T c , P c ,et ω) du mélange de 5 nouveaux pseudo-constituants doivent être équivalentes à celles du pseudo corpshComp(C12+) issus de l’étape 1.
Pour cela, une approche itérative peut être utilisée. Il s’agit d’une optimisation sous contraintes avec 4 inconnues : la masse molaire du pseudo-composé pC20- et celles des trois composants Saturés, Aromatiques et Résines (SAR). La masse molaire des asphaltènes est fixée à 1.0 kg/mol.
Les contraintes à respecter pour cette approche itérative peuvent être :
- Des contraintes d’inégalité :M w, Saturés < M w, Aromatiques < M w, Résines < M w, Asphaltènes = 1.0 kg/mol
- Des contraintes d’égalité (4 contraintes) :
Avec i désignant un composé du groupement SARA ou un pseudo-composé pC20-, Mwla masse molaire, Tc la température critique, Pc la pression critique, la fraction molaire du composant.
Dans ces équations, les fractions molairesx i peuvent être calculées en se basant sur une analyse SARA, et la condition de fermeture :
Avec wti la fraction massique des composés SARA. Les bornes à respecter pour cette approche itérative peuvent être les suivantes :
- M w , pC20- appartient à l’intervalle [0.045 , MW_C20] où 0.045 kg/mol est la masse molaire minimale valide pour les pseudo composants etMW_C20(282.55E-3kg/mol) correspond à la masse molaire du n-eicosane.
- M w, Saturés , M w, Aromatiques , M w, Résines appartiennent à l’intervalle [MW_C20,1.0].
A la sortie de cette démarche d’optimisation, on remplace le pseudo-composanthComppar l’ensemble de nouveaux composants (SARA et éventuellement pC20-). Le fluide intermédiaire φ2se compose donc de (n-m+4) ou de (n-m+5) composants, correspondant respectivement au cas sans et avec pC20-.
La troisième étape de cette mise en œuvre du modèle compositionnel peut consister à créer le fluide asphaltène de 10 composants en faisant référence aux composants de la représentation standardisée du fluide cible par les composants du fluide φ2. D’abord, les gaz (N2, CO2, H2S, CH4) sont ramenés dans le fluide final s’ils sont présents dans le fluide φ2, ou à défaut, des fractions molaires nulles sont identifiées. Ensuite, les hydrocarbures légers et intermédiaires sont classés en fonction de leur nombre d’atomes de carbone et regroupés dans deux pseudo-corps C2C7avec le nombre d’atomes de carbone qui varie entre 2 et 7, et C7+C20avec le nombre d’atomes de carbone entre 7 et 20. Enfin, les composants SARA caractérisés dans la deuxième étape sont ramenés dans le fluide final.
En ce qui concerne le groupement constitutionnel, les descriptions pour les gaz et pour les fractions SARA sont déjà définies. Les descriptions pour les deux autres pseudo-corps peuvent être considérées comme deux groupes CH3et (nC i – 2) groupes CH2,oùnC i est le nombre d’atomes de carbone de chaque pseudo-corps.
Ensuite, on peut déterminer au moins une propriété physique du fluide hydrocarboné au moyen de la décomposition et d’approches basées sur une méthode de contribution de groupes. Pour cela, on peut mettre en œuvre une méthode de regroupement classique de Montel et Gouel pour les pseudo-composants légers et intermédiaires (C2C6et C7+C20) et une approche d’Avaulée pour les fractions lourdes (pseudo-composés SARA). D’autres approches peuvent être envisagées.
La méthode de regroupement classique de Montel et Gouel est décrite dans le document suivant :
Montel, F. and Gouel, P. L. 1984. A New Lumping Scheme of Analytical Data for Compositional Studies. In SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers.
Cette méthode permet de calculer les paramètres critiques tels que la température critique Tc, la pression critique Pc, la masse molaire Mw, et le facteur acentrique ω. Cette méthode peut définir les relations suivantes :
avec i et j les constituants de la composition.
L’approche d’Avaulée, appelée aussi corrélation d’Avaulée, est décrite dans le document suivant :
Avaullée, L. 1996. Mise au point de méthodes de caractérisation thermodynamique des fluides pétroliers en vue de la prédiction de leurs propriétés volumétriques et des expériences d'injection de gaz dans les huiles de gisement, thèse de l’Université d’Aix-Marseille, Aix-en-Provence, France, Thesis number 96 AIX3 0050
Lors de cette étape, on applique un modèle thermodynamique au modèle compositionnel déterminé à l’étape 2. Le modèle thermodynamique permet un équilibrage thermodynamique des différentes phases du fluide hydrocarboné, afin de déterminer un paramètre de floculation à partir du modèle compositionnel. Le modèle thermodynamique a notamment pour entrée au moins une propriété physique (de préférence toutes les propriétés physiques) issue du modèle compositionnel, et a pour sortie au moins un paramètre de floculation, appelé également deuxième paramètre de floculation.
Selon un mode de réalisation, un modèle thermodynamique peut mettre en œuvre un calcul d’équilibre thermodynamique (appelé algorithme de flash) capable de gérer l’existence simultanée d’une phase vapeur, d’une phase liquide hydrocarbonée, et d’une seconde phase liquide asphalténique. Il peut alors s’agir d’un calcul d’équilibre triphasique liquide-liquide-vapeur. Par exemple non limitatif, l’algorithme de flash utilisé peut être celui proposé par Michelsen dans les documents suivants :
Michelsen, M.L., Fluid Phase Equilibria, 9 (1982), 1-19
Michelsen M.L., Fluid Phase Equilibria, 9 (1982), 21-40
Le modèle thermodynamique utilisé pour ce calcul dans cet algorithme peut être l’équation d’état cubique Peng & Robinson couplée avec la loi de mélange d’Abdoul-Péneloux, tels que décrits notamment dans les documents suivants :
Abdoul, W., 1987, Une méthode de contribution de groupes applicable à la corrélation et la prédiction des propriétés thermodynamiques des fluides pétroliers, Thèse de I'université d'Aix-Marseille III, France ; et
Péneloux, A., Abdoul, W. and Rauzy, E., 1989, Excess functions and equation of state, Fluid Phase Equilibria, 47, 115-132.
Un tel modèle peut s’écrire :
Où T et P sont respectivement la température et pression du système, R est la constante universelle des gaz parfaits (R 8,314 kPa⋅L/mol⋅K), est la constante caractéristique de l’équation, indique le volume molaire non-corrigé,a i (T)est le paramètre d’interaction etb i dénote le covolume du composanti. Ces paramètres sont calculés pour la température critiqueT c,i , la pression critiqueP c,i, et le facteur d’acentrique issus du modèle compositionnel. Par ailleurs,
et
avec
L’approche d’Abdoul-Péneloux considère la translation de volume, où le « vrai » volume molaire est corrigé par un terme :
OùZ Ra,i est le facteur de compressibilité de Rackett. Ces équations sont valables pour les corps purs. Pour un mélange, l'ensemble du mélange peut être considéré comme un seul constituant suivant le même formalisme. La règle de mélange d’Abdoul-Péneloux est appliquée aux propriétés critiques des corps purs pour obtenir les paramètres globaux du mélange a, b, c.
A chaque température donnée, une série de calculs de flash triphasique (en d’autres termes, on applique plusieurs algorithmes de flash) peut être effectuée en faisant varier la pression pour obtenir l’ensemble de la courbe de floculation comme schématisée sur la . Cette approche permet de déterminer également les pressions clés telles que la pression de saturation Psatet les pressions de seuils basse PLet haute PU.
Lors de cette étape, on cale au moins une propriété physique du modèle compositionnel déterminé à l’étape 2 du fluide hydrocarboné, par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir du modèle thermodynamique à l’étape 3 (deuxième paramètre de floculation) et l’au moins un paramètre de floculation modélisé déterminé à l’étape 1 (premier paramètre de floculation). En d’autres termes, on ajuste le modèle compositionnel pour qu’il se comporte de manière similaire au modèle de floculation. Cet ajustement concerne le réglage d’au moins une propriété physique du modèle compositionnel pour qu’un paramètre de floculation issu du modèle compositionnel se rapproche le plus possible d’un paramètre modélisé de floculation issu du modèle de floculation. Cette étape de calage permet d’améliorer la qualité de prédiction des conditions de floculation d’asphaltène.
Selon un mode de réalisation de l’invention, le calage peut mettre en œuvre une méthode itérative, dans laquelle on modifie à chaque étape au moins une propriété physique jusqu’à obtenir un minimum entre le paramètre de floculation issu du modèle compositionnel et le paramètre de floculation modélisé. Pour cette méthode itérative, on peut chercher à minimiser une fonction objective qui comprend un terme mesurant un écart entre les valeurs calculées des paramètres de floculation et les paramètres modélisés de floculation.
Conformément à une mise en œuvre de l’invention, les propriétés physiques à caler peuvent être la masse molaire et la température critique. Les autres propriétés physiques du constituant asphaltène (par exemple la pression critique et le facteur acentrique) peuvent être déterminées en fonction de la masse molaire et de la température critique par l’approche d’Avaullée. Cette approche donne une meilleure caractérisation des composants très lourds par rapport à d’autres approches.
5) Détermination des conditions de floculation d’asphaltène
Lors de cette étape, on détermine les conditions de floculation du fluide hydrocarboné à partir du paramètre de floculation issu d’un modèle thermodynamique appliqué au modèle compositionnel calé du fluide hydrocarboné. Ainsi, la décomposition ajustée du fluide hydrocarboné permet de déterminer la mise en œuvre de la floculation, par exemple pour déterminer une courbe de floculation du fluide hydrocarboné à une température donnée.
De plus, l’invention concerne un procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion (par exemple pour un procédé de désalphatage), dans lequel on met en œuvre les étapes suivantes :
- On détermine des conditions de floculation d’asphaltène du fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltènes selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ;
- On détermine ou on prédit, par simulation ou par mesure, une pression et une température du fluide hydrocarboné au sein de la formation souterraine ou au sein de la conduite de transport ou au sein d’un réacteur de conversion ; et
- On détermine ou on prédit une éventuelle floculation d’asphaltène du fluide hydrocarboné en fonction des conditions de floculation déterminées et de la pression déterminée ou prédite et de la température déterminée ou prédite.
Ainsi, grâce à ce procédé, on peut déterminer une éventuelle floculation d’asphaltène pendant l’exploitation d’un tel fluide, et on peut également simuler une éventuelle floculation d’asphaltène au sein d’une simulation d’une exploitation d’un tel fluide. L’exploitation d’un fluide hydrocarboné peut notamment concerner la récupération d’hydrocarbures au sein d’une formation souterraine, le transport d’hydrocarbures depuis la formation souterraine ou le transport d’un fluide pétrolier, le traitement d’un fluide hydrocarboné au sein d’un réacteur de conversion (par exemple pour un procédé de désalphatage). Ainsi la simulation concernée peut être une simulation de transport de fluide hydrocarboné au sein d’une formation souterraine ou une simulation de transport de fluide hydrocarboné au sein d’une conduite de transport ou une réaction du fluide hydrocarboné au sein d’un réacteur de conversion.
De manière avantageuse, les étapes a) et c) peuvent être mises en œuvre par des moyens informatiques, notamment un ordinateur ou un serveur.
Avantageusement, la conduite de transport peut être une conduite dans un puits de production d’hydrocarbures, ou une conduite d’une ligne de production d’hydrocarbures.
De plus, lorsque le procédé permet une simulation, l’étape b) peut également être mise en œuvre par ordinateur.
La illustre, schématiquement et de manière non limitative, les étapes de ce procédé selon un mode de réalisation. Les étapes déjà décrites pour la ne sont pas redétaillées. Le procédé comprend une étape supplémentaire de détermination de prédiction DET d’une éventuelle floculation d’asphaltène FDA, qui dépend des conditions de floculation CDF, et des conditions opératoires COP, en d’autres termes de la température et de la pression déterminées ou prédites.
Cette figure ne représente pas l’éventuelle étape de mesure ou de simulation des conditions opératoires COP.
De plus, le mode de réalisation de la peut être combiné avec le mode de réalisation de la .
En outre, l’invention concerne un procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes :
- On détermine ou on prédit une floculation d’asphaltène du fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et
- On exploite le fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène du fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné et/ou en ajoutant un solvant en cas de floculation d’asphaltène.
Ainsi, si on détermine ou prédit un risque de floculation d’asphaltène, on peut adapter le procédé d’exploitation du fluide hydrocarboné, et ainsi éviter une floculation d’asphaltène ou en tout cas limiter la floculation d’asphaltène. De cette manière, on peut assurer un contrôle d’une exploitation d’un fluide hydrocarboné. L’exploitation d’un fluide hydrocarboné peut notamment concerner la récupération d’hydrocarbures au sein d’une formation souterraine, le transport d’hydrocarbures depuis la formation souterraine ou le transport d’un fluide pétrolier entre deux installations ou deux sites, un procédé de désalphatage dans un réacteur de conversion.
Pour cela, on peut notamment augmenter ou réduire la température du fluide, et/ou on peut augmenter ou réduire la pression du fluide et/ou ajuster la composition du fluide et/ou ajouter un solvant.
La illustre, schématiquement et de manière non limitative, les étapes de ce procédé selon un mode de réalisation. Les étapes déjà décrites pour la ne sont pas redétaillées. Le procédé comprend une étape supplémentaire d’exploitation EXP du fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène FDA.
Cette figure ne représente pas l’éventuelle étape de mesure ou de simulation des conditions opératoires COP.
De plus, le mode de réalisation de la peut être combiné avec le mode de réalisation de la .
Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture de l'exemple d'application ci-après.
Pour cet exemple, on cherche à déterminer la courbe de floculation d’un fluide considéré et noté Oil_9 dans le document suivant :
Sullivan, M., et al., 2020, A Fast Measurement of Asphaltene Onset Pressure. SPE Reservoir Evaluation & Engineering 23 (03), 962-978.
Les données expérimentales de ce document, telles que la pression de saturation et la pression de seuil basse à trois différentes températures 75°C, 100°C et 125°C, sont utilisées pour la validation des modèles selon l’invention.
Pour cet exemple, on applique les étapes du procédé selon l’invention. En particulier, le modèle de floculation est construit par apprentissage automatique, à partir d’une base d’apprentissage qui comprend 53 fluides. De plus, pour cet exemple, on applique un modèle compositionnel avec une décomposition du fluide en 10 constituants :
- 4 gaz : N2, H2S, CO2,CH4
- 1 pseudo-composant léger dans la coupe C2à C6
- 1 pseudo-composant intermédiaire dans la coupe C7+à C20
- 4 pseudo-composants lourds, un par fraction (sur la coupe C20+344 °C) en Saturés, Aromatiques, Résines, Asphaltènes (SARA)
On réalise le calage du constituant asphaltène du modèle compositionnel sur les pressions de saturation et les pressions de seuil basse issues du modèle de floculation. En outre, le modèle thermodynamique utilisé pour ce calcul peut être l’équation d’état cubique Peng & Robinson couplé avec la loi de mélange d’Abdoul-Péneloux.
La illustre, pour cet exemple, les pressions P en MPa en fonction de la température T en K. Sur cette figure, l’indice Calc indique calculé (c’est-à-dire obtenu par le modèle thermodynamique et le modèle compositionnel calé), l’indice Exp indique expérimental (issu du document cité) et l’indice ML indique obtenu par le modèle de floculation du procédé selon l’invention. Psatdésigne la pression de saturation et PUdésigne la pression de seuil basse. Les courbes de pression calculées Calc restituent bien des données expérimentales de référence, ce qui permet de valider le calage mis en œuvre dans le procédé selon l’invention. Ces courbes sont générées en considérant une plus large gamme de température pour visualiser l’évolution des pressions clés (entre 0°C et 250°C). Sur cette figure, on remarque que les pressions obtenues au moyen du modèle de floculation sont cohérentes avec les données expérimentales présentées dans le document (Sullivan et al., 2020). Ainsi, le modèle de floculation permet une précision de la détermination des paramètres de floculation.
Ensuite, on détermine les courbes de floculation au moyen du modèle thermodynamique. La illustre, pour cet exemple, la quantité d’asphaltène floculée W en fonction de la pression P en MPa pour les trois températures 75°C, 100°C et 125°C. Sur cette figure Calc indique calculé au moyen du procédé selon l’invention, et Wmax-ML indique la quantité maximale d’asphaltène floculé déterminée par le modèle de floculation du procédé selon l’invention. Les points de Wmax calculés par le modèle de floculation, qui ne sont pas utilisés dans le calage, sont également en très bon accord avec les courbes de floculation. On peut noter qu’il n’y pas de données de précipitation d’asphaltène dans l’article (Sullivan et al., 2020) pour valider expérimentalement l’allure de l’ensemble de la courbe de floculation. Les résultats présentés dans cet exemple permettent donc de montrer la performance du procédé selon l’invention pour la détermination de la courbe de floculation d’un fluide asphalténique dans un scénario où les données expérimentales sont absentes.
Claims (10)
- Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné, caractérisé en ce qu’on met en œuvre les étapes suivantes :
- On applique un modèle de floculation (MOD FLO) audit fluide hydrocarboné (FLU) pour déterminer au moins un paramètre modélisé de floculation, ledit modèle de floculation (MOD FLO) reliant la composition d’un fluide à au moins un paramètre de floculation ;
- On construit un modèle compositionnel (MOD COM) dudit fluide hydrocarboné, ledit modèle compositionnel (MOD COM) décomposant ledit fluide hydrocarboné en plusieurs constituants, et on détermine au moins une propriété physique dudit fluide hydrocarboné au moyen dudit modèle compositionnel ;
- On applique un modèle thermodynamique (MOD THE) à ladite au moins une propriété physique déterminée au moyen dudit modèle compositionnel (MOD COM) pour déterminer au moins un paramètre de floculation ;
- On cale (CAL) ledit modèle compositionnel dudit fluide hydrocarboné par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir dudit modèle thermodynamique (MOD THE) et ledit au moins un paramètre modélisé de floculation obtenu à partir dudit modèle de floculation (MOD FLO) ; et
- On détermine les conditions de floculation d’asphaltène (CDF) dudit fluide hydrocarboné (FLU) à partir dudit modèle compositionnel calé dudit fluide hydrocarboné.
- Procédé selon la revendication 1, dans lequel le procédé comprend une étape préalable de construction dudit modèle de floculation par apprentissage automatique, dans laquelle on met en œuvre les étapes suivantes :
- On construit une base d’apprentissage de fluides d’apprentissage (BAP), chaque fluide d’apprentissage étant caractérisé par une composition et au moins un paramètre de floculation, de préférence ledit au moins un paramètre de floculation desdits fluides d’apprentissage étant obtenu expérimentalement ; et
- On construit un modèle de floculation au moyen d’une méthode d’apprentissage automatique (APP) entrainée sur ladite base d’apprentissage, ledit modèle de floculation (MOD FLO) reliant la composition détaillée d’un fluide audit au moins un paramètre de floculation.
- Procédé selon l’une des revendications précédentes, dans lequel chaque paramètre de floculation est choisi parmi une pression de seuil basse, une pression de seuil haute, une pression de saturation, une quantité maximale d’asphaltène floculé.
- Procédé selon l’une des revendications précédentes, dans lequel ledit modèle compositionnel (MOD COM) est basé sur une représentation en N constituants, N étant compris entre 6 et 15, de préférence entre 6 et 12, et valant de manière préférée 10.
- Procédé selon l’une des revendications précédentes, dans lequel on cale (CAL) ledit modèle compositionnel au moyen d’une méthode itérative.
- Procédé selon l’une des revendications précédentes, dans lequel ledit modèle thermodynamique (MOD THE) est un algorithme de calcul d’équilibre triphasique liquide-liquide-vapeur d’un fluide à une température donnée et à une pression donnée.
- Procédé selon l’une des revendications précédentes, dans lequel lesdites conditions de floculation (CDF) correspondent à une courbe de floculation qui relie la quantité d’asphaltène floculé à la pression du fluide.
- Procédé selon l’une des revendications précédentes, dans lequel l’au moins une propriété physique est choisie parmi la masse molaire, la température critique, la pression critique, le facteur acentrique des constituants du fluide.
- Procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes :
- On détermine des conditions de floculation d’asphaltène (CDF) dudit fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltène selon l’une des revendications précédentes ;
- On détermine par mesure ou on prédit par simulation, une pression et une température dudit fluide hydrocarboné (COP) au sein de ladite formation souterraine ou au sein de ladite conduite de transport ou au sein d’un réacteur de conversion ; et
- On détermine ou on prédit (DET) une éventuelle floculation d’asphaltène (FDA) dudit fluide hydrocarboné en fonction desdites conditions de floculation (CDF) déterminées et de la pression déterminée ou prédite (COP) et de la température déterminée ou prédite.
- Procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes :
- On détermine ou on prédit une floculation d’asphaltène (FDA) dudit fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon la revendication 9 ; et
- On exploite (EXP) ledit fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène (FDA) dudit fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné en cas de floculation d’asphaltène et/ou par ajout de solvant.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2212102A FR3142258A1 (fr) | 2022-11-21 | 2022-11-21 | Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné |
PCT/EP2023/080908 WO2024110181A1 (fr) | 2022-11-21 | 2023-11-07 | Procede de determination de conditions de floculation d'asphaltene d'un fluide hydrocarbone |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2212102 | 2022-11-21 | ||
FR2212102A FR3142258A1 (fr) | 2022-11-21 | 2022-11-21 | Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3142258A1 true FR3142258A1 (fr) | 2024-05-24 |
Family
ID=86764899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2212102A Pending FR3142258A1 (fr) | 2022-11-21 | 2022-11-21 | Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3142258A1 (fr) |
WO (1) | WO2024110181A1 (fr) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030167157A1 (en) | 2002-03-01 | 2003-09-04 | Pascal Mougin | Method for modelling asphaltenes flocculation conditions in hydrocarbon-containing fluids related to a reference fluid |
-
2022
- 2022-11-21 FR FR2212102A patent/FR3142258A1/fr active Pending
-
2023
- 2023-11-07 WO PCT/EP2023/080908 patent/WO2024110181A1/fr unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030167157A1 (en) | 2002-03-01 | 2003-09-04 | Pascal Mougin | Method for modelling asphaltenes flocculation conditions in hydrocarbon-containing fluids related to a reference fluid |
FR2836719A1 (fr) | 2002-03-01 | 2003-09-05 | Inst Francais Du Petrole | Methode pour modeliser les conditions de floculation d'asphaltenes dans des fluides hydrocarbones apparentes a un fluide de reference |
Non-Patent Citations (18)
Title |
---|
ALIMOHAMMADI S ET AL: "Estimation of asphaltene precipitation in light, medium and heavy oils: experimental study and neural network modeling", NEURAL COMPUTING AND APPLICATIONS, SPRINGER LONDON, LONDON, vol. 28, no. 4, 18 November 2015 (2015-11-18), pages 679 - 694, XP036195312, ISSN: 0941-0643, [retrieved on 20151118], DOI: 10.1007/S00521-015-2097-3 * |
CHALANGARAN VAHID ET AL: "Generation of Asphaltene Deposition Envelope Using Artificial Neural Network", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 35, no. 3, 4 March 2014 (2014-03-04), NEW YORK, NY, US, pages 313 - 321, XP093086560, ISSN: 0193-2691, DOI: 10.1080/01932691.2013.780244 * |
DARYASAFAR AMIN ET AL: "Evaluation of different thermodynamic models in predicting asphaltene precipitation: A comparative study", FLUID PHASE EQUILIBRIA, ELSEVIER, AMSTERDAM, NL, vol. 514, 10 March 2020 (2020-03-10), XP086133862, ISSN: 0378-3812, [retrieved on 20200310], DOI: 10.1016/J.FLUID.2020.112557 * |
KAMARI ARASH ET AL: "Compositional Model for Estimating Asphaltene Precipitation Conditions in Live Reservoir Oil Systems", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 36, no. 3, 4 March 2015 (2015-03-04), NEW YORK, NY, US, pages 301 - 309, XP093086583, ISSN: 0193-2691, DOI: 10.1080/01932691.2014.896220 * |
MICHELSEN, M.L, FLUID PHASE EQUILIBRIA, vol. 9, 1982, pages 21 - 40 |
MOHAMMED ISAH ET AL: "Asphaltene precipitation and deposition: A critical review", JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING, ELSEVIER, AMSTERDAM, NL, vol. 197, 30 September 2020 (2020-09-30), XP086426808, ISSN: 0920-4105, [retrieved on 20200930], DOI: 10.1016/J.PETROL.2020.107956 * |
MONCAYO-RIASCOS IVAN ET AL: "Integrated Machine Learning Model for Predicting Asphaltene Damage Risk and the Asphaltene Onset Pressure", ENERGY & FUELS, vol. 36, no. 23, 10 November 2022 (2022-11-10), WASHINGTON, DC, US., pages 14243 - 14252, XP093086569, ISSN: 0887-0624, Retrieved from the Internet <URL:https://pubs.acs.org/doi/pdf/10.1021/acs.energyfuels.2c03319> DOI: 10.1021/acs.energyfuels.2c03319 * |
MONTEL, FGOUEL, P. L: "A New Lumping Scheme of Analytical Data for Compositional Studies", SPE ANNUAL TECHNICAL CONFÉRENCE AND EXHIBITION. SOCIETY OF PETROLEUM ENGINEERS, 1984 |
NA'IMI SEYYED REZA ET AL: "Prediction of Crude Oil Asphaltene Precipitation Using Support Vector Regression", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 35, no. 4, 28 March 2014 (2014-03-28), NEW YORK, NY, US, pages 518 - 523, XP093086584, ISSN: 0193-2691, DOI: 10.1080/01932691.2013.798585 * |
NGHIEM, L.XKHOSE, B.FFAROUQ ALI, S.M.: "Asphaltene Précipitation: Phase Behaviour Modelling and Compositional Simulation, SPE-59432", ASIA PACIFIC CONFÉRENCE ON INTEGRATED MODELLING FOR ASSET MANAGEMENT, April 2000 (2000-04-01) |
PÉNELOUX, AABDOUL, WRAUZY, E: "Excess functions and équation of state", FLUID PHASE EQUILIBRIA, vol. 47, 1989, pages 115 - 132 |
PINA A. ET AL: "Characterisation of Asphaltenes and Modelling of Flocculation - State of the Art", OIL & GAS SCIENCE & TECHNOLOGY: REVUE DE L'INSTITUT FRANCAIS DU PETROLE, vol. 61, no. 3, 1 May 2006 (2006-05-01), Fr, pages 319 - 343, XP093086574, ISSN: 1294-4475, Retrieved from the Internet <URL:https://ogst.ifpenergiesnouvelles.fr/articles/ogst/pdf/2006/03/pina_vol61n3.pdf> DOI: 10.2516/ogst:2006037a * |
PINA ET AL., OIL & GAS SCIENCE AND TECHNOLOGY - REV. IFP, vol. 61, no. 3, 2006 |
RASHID ZEESHAN ET AL: "A comprehensive review on the recent advances on the petroleum asphaltene aggregation", JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING, vol. 176, 17 January 2019 (2019-01-17), pages 249 - 268, XP085621005, ISSN: 0920-4105, DOI: 10.1016/J.PETROL.2019.01.004 * |
SANCHEZ, N.L: "A General Approach for Asphaltene Modeling, SPE-107191-MS", LATIN AMERICAN & CARIBBEAN PETROLEUM ENGINEERING CONFÉRENCE, April 2007 (2007-04-01) |
SULLIVAN, M ET AL.: "A Fast Measurement of Asphaltene Onset Pressure", SPE RÉSERVOIR EVALUATION & ENGINEERING, vol. 23, no. 03, 2020, pages 962 - 978 |
SZEWCZYK VBÉHAR E, COMPOSITIONAL MODEL FOR PREDICTING ASPHALTENES FLOCCULATION, FLUID PHASE EQUILIBRIA, vol. 156-160, 1999, pages 459 - 469 |
SZEWCZYK, VBEHAR, E: "Compositional model for Predicting Asphaltenes floc culation", FLUID PHASE EQUILIBRIA, vol. 185-160, 1999, pages 459 - 469 |
Also Published As
Publication number | Publication date |
---|---|
WO2024110181A1 (fr) | 2024-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2352621C (fr) | Methode de modelisation permettant de predire en fonction du temps de la composition detaillee de fluides produits par un gisement souterrain en cours de production | |
EP2788754A1 (fr) | Procédé de caractérisation d'une composition chimique de pétrole brut pour des procédés de raffinage de pétrole | |
FR2904654A1 (fr) | Methode pour quantifier la formation et la retention d'hydrocarbures dans une roche mere | |
Stratiev et al. | Prediction of petroleum viscosity from molecular weight and density | |
Yang et al. | Predicting reservoir fluid properties from advanced mud gas data | |
Goretzko et al. | Robustness of factor solutions in exploratory factor analysis | |
Langeroudy et al. | Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions | |
Asbaghi et al. | An effective procedure for wax formation modeling using multi-solid approach and PC-SAFT EOS for petroleum fluids with PNA characterization | |
WO2014177471A1 (fr) | Procede de caracterisation d'un produit par analyse spectrale topologique | |
FR3142258A1 (fr) | Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné | |
Yang et al. | Predict Reservoir Fluid Properties from Advanced Mud Gas Data | |
CA2421096C (fr) | Methode pour modeliser des conditions de floculation d'asphaltenes dans des fluides hydrocarbones apparentes a un fluide de reference | |
Doicin et al. | Octane number estimation using neural networks | |
Peiro Ahmady Langeroudy et al. | Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions | |
Okada et al. | First-Order Prediction of the Relative Performance of Infrared (IR) Absorption, Raman, and Combined (IR+ Raman) Spectroscopy for Estimating Composition and Bulk Properties of Fuel Mixtures | |
CA2931753A1 (fr) | Procede d'exploitation d'un gisement d'hydrocarbures contenant des composes organo-soufres au moyen d'un modele thermo-cinetique et d'une simulation de reservoir compositionnelle | |
CA2342089A1 (fr) | Methode de prediction precoce du risque de depot de paraffines en cours de production et de transport | |
Fodor | Analysis of petroleum fuels by midband infrared spectroscopy | |
US20170097330A1 (en) | Hybrid analyzer for fluid processing processes | |
Hajizadeh et al. | Modified SRK equation of state for modeling asphaltene precipitation | |
Kessler et al. | Evaluating Diesel/Biofuel Blends Using Artificial Neural Networks and Linear/Nonlinear Equations | |
CA2214445C (fr) | Methode pour modeliser la cristallisation des paraffines dans des fluides petroliers | |
Amao et al. | Fluid Characterization and EoS Modelling of PVT Experiments | |
EP3667373B1 (fr) | Procédé d'exploitation d'un gisement d'hydrocarbures au moyen d'une simulation de bassin et d'un modèle cinétique compositionnel | |
Mishra et al. | The P-µ-T Cubic Equation of Viscosity for Reservoir Oils |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20240524 |