Comparison of microbial communities involved in souring and corrosion in offshore and onshore oil production facilities in Nigeria
Notice bibliographique
Résumé
Samples were obtained from the Obigbo field, located onshore in the Niger delta, Nigeria, from which oil is produced by injection of low-sulfate groundwater, as well as from the offshore Bonga field from which oil is produced by injection of high-sulfate (2,200 ppm) seawater, amended with 45 ppm of calcium nitrate to limit reservoir souring. Despite low concentrations of sulfate (0-7 ppm) and nitrate (0 ppm), sulfate-reducing bacteria (SRB) and heterotrophic nitrate-reducing bacteria (NRB) were present in samples from the Obigbo field. Biologically active deposits (BADs), scraped from corrosion-failed sections of a water- and of an oil-transporting pipeline (both Obigbo), had high counts of SRB and high sulfate and ferrous iron concentrations. Analysis of microbial community composition by pyrosequencing indicated anaerobic, methanogenic hydrocarbon degradation to be a dominant process in all samples from the Obigbo field, including the BADs. Samples from the Bonga field also had significant activity of SRB, as well as of heterotrophic and of sulfide-oxidizing NRB. Microbial community analysis indicated high proportions of potentially thermophilic NRB and near-absence of microbes active in methanogenic hydrocarbon degradation. Anaerobic incubation of Bonga samples with steel coupons gave moderate general corrosion rates of 0.045-0.049 mm/year, whereas near-zero general corrosion rates (0.001-0.002 mm/year) were observed with Obigbo water samples. Hence, methanogens may contribute to corrosion at Obigbo, but the low general corrosion rates cannot explain the reasons for pipeline failures in the Niger delta. A focus of future work should be on understanding the role of BADs in enhancing under-deposit pitting corrosion.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».