A Stochastic Approach to Extract Vapex Related Dispersion Coefficients from Magnetic Resonance Images
Notice bibliographique
Résumé
Summary In vapor extraction (Vapex) process, the dispersional mixing between injected solvent vapor (propane) and in-situ bitumen occurs along the oil-solvent interface during the oil drainage process. The solvent dispersion coefficient is a key parameter that governs the oil dilution efficiency as well as the rate of production. To predict the field performance of the Vapex process it is vital to accurately estimate the value of the dispersion coefficient at the field conditions of interest. Currently, there are no factual data available in the literature and there is no proven empirical methodology for estimating the dispersion coefficients that would be pertinent to the Vapex process. Recently, the Magnetic Resonance Imaging (MRI) tools have been used to gain insights into the Vapex process. The MRI technique can generate 2-dimensional (2-D) images during the progress of a laboratory-scale Vapex experiment. Both the original bitumen and the solvent vapor are virtually invisible in these MRI generated 2-D images. However, the propane saturated bitumen is clearly visible and in the diluted oil zone, the signal intensity is a function of the dissolved solvent concentration. This paper describes a new technique to extract the net dispersion coefficients pertinent to the Vapex process from 2D MRI images captured during a test. A new mathematical model has been developed for analyzing such 2-D images. The model portrays the unique context of mass transfer mechanisms and the interface propagation in the Vapex process. The technique has been used on a previously published MRI image and found to be very effective and straightforward.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».