MétaCan
Menu
Retour à la cohorte
Enregistrement W1980440040 · doi:10.1021/acs.energyfuels.5b02472

Selection of Optimal Solvent Type for High-Temperature Solvent Applications in Heavy-Oil and Bitumen Recovery

2016· article· en· W1980440040 sur OpenAlexafffund
Andrea Marciales, Tayfun Babadagli

Notice bibliographique

RevueEnergy & Fuels · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsStatoilCanadian Natural Resources Limited
Mots-clésAsphalteneSolventMixing (physics)ChemistryDiffusionYield (engineering)PrecipitationAsphaltViscosityChemical engineeringChromatographyMaterials scienceOrganic chemistryThermodynamicsComposite material

Résumé

récupéré en direct d'OpenAlex

The selection of the most suitable solvent for an efficient heavy-oil recovery process is a critical task. Low carbon number solvents yield faster diffusion, but the mixing quality may not be high. Also, high carbon number solvents yield a better quality mixing (much less asphaltene precipitation), but the mixing process is rather slow. Hence, the understanding of solvent selection criteria for solvent-aided recovery processes has established two main aspects of oil–solvent (liquid–liquid) interaction: (1) oil–solvent mixture quality and (2) rate of mixture formation. Oil–solvent mixture quality is determined by two parameters: (1) viscosity and (2) asphaltene precipitation. The rate of mixing is quantified by the diffusion rate. Both mixture quality and mixing rate need to be quantitatively and qualitatively determined to select the suitable solvent for heavy-oil recovery. In addition to this, experiments that measure the solvent diffusion rate (and oil recovery) into a rock sample saturated with heavy oil at static conditions are needed to support the observations obtained from the liquid–liquid interaction of solvent and oil. This paper focuses on these tests and uses three oil samples with a wide range of viscosities (250–476 000 cP) and three liquid solvents with different carbon numbers varying between C 7 and C 13 . Core experiments at different temperatures were performed on Berea sandstone samples using the same solvent–heavy oil pairs to obtain the optimum carbon size (solvent type)–heavy oil combination that yields the highest recovery factor and the least asphaltene precipitation. On the basis of the fluid–fluid (solvent–heavy oil) interaction experiments and heavy-oil-saturated rock–solvent interaction tests, the optimal solvent type was determined considering the fastest diffusion and best mixing quality for different oil–solvent combinations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,407

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,216
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207