The Potential Applications in Heavy Oil EOR with the Nanoparticle and Surfactant Stabilized Solvent-Based Emulsion
Notice bibliographique
Résumé
Abstract This study presents the results of nano-particle and surfactant-stabilized solvent-based emulsion bench test studies under laboratory conditions that investigate the recovery mechanisms of chemical flooding in a heavy oil reservoir. In the study, bench tests, including the phase behavior test, rheology studies and interfacial tension measurement are performed and reported for the optimum selecting method for the nano-emulsion which is going to be applied in the coreflooding experiments. Specifically, nanoemulsion systems have been mixed with Alaska North Slope West Sak heavy oil with 16 API°, which was dewatered in the laboratory condition, to investigate the rheology change during this process. The experiment results suggest that the potential application of this kind of emulsion flooding is a promising EOR process for some heavy oil reservoirs in Alaska, Canada and Venezuela after primary production. Heavy oil lacks mobility under reservoir conditions and is not suitable for the application of the thermal recovery method because of environmental issues or technical problems. The idea of nano-particle application in an EOR area has been recently raised by researchers who are interested in its feature- reaction catalysis-which could reduce in situ oil viscosity and generate emulsion without surfactant. Also, the nano-particle stabilized emulsions can long-distance drive oil in the reservoir, since the nano-particle size is 2-4 times smaller than the pore throat. In conclusion, the nano-emulsion can be an effective enhancement option for an oil recovery method in a heavy oil reservoir which is technically sensitive to the thermal recovery method.
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) | 0,000 | 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 ».