Identification and Analysis of Biocides Effective Against Sessile Organisms
Notice bibliographique
Résumé
Abstract Microbiologically influenced corrosion (MIC) is a major problem in the oil and gas industry. Although the exact mechanism by which this occurs is not well understood, it is recognized that byproducts produced by sessile bacteria located on the metal surface are responsible for the corrosion. However, many of the biocide treatment programs that have been developed thus far have focused only on planktonic organisms, ignoring the root cause of the problem. The goal of this research was to develop and implement sessile monitoring and analysis capabilities to assist in biocide selection. Initial laboratory testing was performed using a representative selection of bacteria inoculated into a closed flow loop system containing removable biostuds. Sessile bacteria populations were analyzed before and after biocide treatment using serial dilutions and denaturing gradient gel electrophoresis (DGGE). A biocide/surfactant combination shown to be effective in the lab was tested in a field trial to demonstrate a correlation between laboratory testing and field use. Data collected in the field was analyzed by quantitative PCR (qPCR) as well as DGGE. The biocide/surfactant tested in the laboratory led to a 3-log reduction in sessile bacteria without regrowth 24 hours after treatment. Bacterial enumeration determined by serial dilution was confirmed by DGGE analysis. This biocide/surfactant combination was also tested in a field trial where a 3- to 5-log reduction in bacterial numbers was determined by qPCR, a dramatic reduction in bacterial species observed by DGGE, and reduced pitting of the corrosion coupons identified. In conclusion, we have implemented new testing capabilities that allow us to identify biocides effective at removing sessile organisms in the laboratory. Importantly, we have also shown that these laboratory results are recapitulated in field trials. These methods can now be utilized to ensure that the most efficacious biocide is chosen to mitigate bacterial populations that could potentially cause MIC in an asset-specific manner.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».