MétaCan
Menu
Retour à la cohorte
Enregistrement W2013662896 · doi:10.1021/ef8008597

Study of Solvent−Bitumen−Water Rag Layers

2009· article· en· W2013662896 sur OpenAlexaff
Sumit K. Kiran, Edgar Acosta, Kevin Moran

Notice bibliographique

RevueEnergy & Fuels · 2009
Typearticle
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensSyncrude (Canada)University of Toronto
Organismes subventionnairesnon disponible
Mots-clésAsphalteneAsphaltHeptaneTolueneSolventChemistryChemical engineeringViscosityFraction (chemistry)AdsorptionLayer (electronics)Organic chemistryChromatographyMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

A major operational issue in the crude oil industry is the formation of intermediate rag layers, (primarily water-in-oil emulsions) in oil−water separation processes that limit the amount and quality of recoverable oil. In this study, the formation of rag layers is evaluated as a function of solvent−bitumen−water ratios, solvent aromaticity, and temperature, with various imaging techniques. Using these techniques, it is possible to obtain an estimate of the amount of oil, water, and asphalthenes in the rag layer and excess phases. On the basis of these material balances, it was observed that when bitumen is diluted with a more paraffinic (poor) solvent, such as Heptol 80/20 (80% heptane and 20% toluene), the asphaltenes in solution tend to adsorb/segregate at exposed oil−water interfaces, impacting the extent of rag layer formation. Diluting similar systems with a more aromatic solvent (Heptol 50/50) reduces the surface activity of the asphaltenes, and the stability of rag layers, as evidenced by lower asphaltene and oil losses to the rag layer. Furthermore, it was observed that increasing the temperature of the system minimizes rag layer formation and the fraction of oil lost to the rag layer. The better separation at high temperature could be explained by the lower viscosity of the oil, which results in improved oil drainage from the rag layer.

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 enseignants0,028
Score d'incertitude au seuil0,570

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)0,0010,000

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 Opus0,011
Tête enseignante GPT0,239
Écart entre enseignants0,228 · 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

Citations30
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetPetroleum Processing and AnalysisTravaux en français237 207