Notice bibliographique
Résumé
Research has shown that asphaltenes are the prime stabilizers of water-in-oil emulsions and that resins are necessary to solvate the asphaltenes. Research has also shown that many compositional factors play a role including the amount of saturates and the properties of viscosity and density. These factors can then be used to develop models of emulsion formation. A review of the formation processes of these emulsions and water and oil types is given. This applies to all four water-in-oil types: stable, meso-stable, unstable emulsions and entrained water. The differences among these four types are high-lighted. A number of other techniques have also been used to model emulsions including neural networks. These are noted and compared to the regression models. A data set of more than 400 oils and their water-in-oil mixtures are used for the comparison. Numerical modeling schemes for the formation of water-in-oil emulsions are reviewed. New models are based on empirical data and the corresponding physical knowledge of emulsion formation. The density, viscosity, asphaltene and resin contents were correlated with a stability index. The establishment of an index for emulsion stability enables the use of this value as a target for the optimization of regressions to form a new model. The predictions of the new model are much simpler and better than old models and some that have been in the literature for some time. The new model is more accurate than the old models, although some improvement could still be made. The benefit of the new model is that it is more accurate and simpler than former regression models. The different approaches to these models and older regression models are highlighted.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».