The Effect of Solvents on the Viscosity of an Alberta Bitumen at In Situ Thermal Process Conditions
Notice bibliographique
Résumé
Abstract The design and optimization of solvent assisted thermal recovery processes for heavy oil and bitumen require accurate predictions of viscosity as a function of temperature, pressure, and composition. In this case study, the performance of the Expanded Fluid (EF) viscosity model is tested on viscosity data for an Alberta bitumen diluted with carbon dioxide (5.2 wt%), ethane (5.1 wt%), propane (7.6 and 16 wt%), n-butane (14.5 wt%), n-pentane (15 and 30 wt%) and n-heptane (15 and 30 wt%) at temperatures from 20 to 175°C and pressures up to 10 MPa. The main input to the EF model is the density of the fluid and densities were measured at the same conditions as the viscosity measurements. The viscosity of the bitumen was fitted with average absolute relative deviation (AARD) of 8%. The viscosities of the diluted bitumen mixtures were predicted without tuning with an overall AARD of 17% when using measured densities as an input. The viscosity predictions were improved to an AARD of 7% using generalized viscosity binary interaction parameters. When using densities calculated with an excess volume based mixing rule, the viscosity predictions were slightly more deviated with an overall AARD of 10%. The EF model predictions were used to evaluate the effectiveness of n-alkane solvents in reducing bitumen viscosity at in situ steam-solvent process conditions. The solubility of the solvent in bitumen was found to be the main factor controlling the mixture viscosity. The less volatile the solvent is, the greater is the viscosity reduction at a given pressure and temperature. As the process temperature increases, the greater is the viscosity reduction from a given solvent due to increased solubility at higher steam saturation pressures.
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) | 0,001 | 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 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 ».