Conjuntos de modelos de permeabilidad basados en cepas REV y la ley de deformación de la mesoescala del carbón y...

Área de la Ciencia:

• Ciencias de la Tierra
• Ciencias de la Tierra
• Ingeniería del petróleo

Sus antecedentes:

• La predicción precisa de la permeabilidad del lecho de carbón es crucial para la explotación eficiente de los recursos de metano del lecho de carbón (CBM).
• Es posible que los modelos existentes no capturen completamente el comportamiento complejo de deformación del carbón bajo tensión.

Objetivo del estudio:

• Derivar y evaluar nuevos modelos de permeabilidad basados en el volumen de elementos representativos (REV) y la ley cúbica.
• Representar de manera realista la deformación a mesoescala del carbón bajo entornos de estrés.

Principales métodos:

• Desarrollo de tres conjuntos de modelos: equivalente de ley cúbica (CLE), ancho de matriz constante (CMW) y volumen de REV constante (CRV).
• Análisis del rendimiento del modelo con respecto a los datos experimentales, centrándose en los errores de ajuste y las sensibilidades de los parámetros.

Principales resultados:

• El conjunto de modelos CLE, que incorporaba relaciones de tensión reales, demostró una mejor concordancia con los datos experimentales en comparación con el conjunto de modelos CMW.
• Ambos conjuntos de modelos CMW y CLE mostraron errores sustanciales de ajuste de dos parámetros (PF-2), particularmente para el módulo de volumen y los coeficientes de deformación de adsorción en diferentes gases (N2, CH4, CO2).
• El análisis de sensibilidad de los parámetros reveló influencias significativas del módulo de volumen, el módulo de volumen de fractura y los coeficientes de tensión de adsorción en las predicciones del modelo.

Conclusiones:

• Los modelos de permeabilidad derivados ofrecen una representación más realista de la deformación a mesoescala del carbón.
• Los errores de ajuste significativos ponen de relieve la necesidad de perfeccionar aún más estos modelos para una evaluación precisa de los recursos de la GBC.
• Comprender las sensibilidades de los parámetros es clave para mejorar la precisión del modelo y reducir el sesgo de predicción.