Diffusion of Hydrocarbon Gases in Heavy Oil and Bitumen
Notice bibliographique
Résumé
Abstract The use of gas hydrocarbon solvents in the recovery of heavy oil has been increased because of the advantages they have over the thermal methods under some reservoir conditions. The injection of a miscible solvent in the reservoir implies a mass transfer process which is governed by a diffusion coefficient. Consequently the measurement of the diffusion coefficient is extremely important. This, however, presents a significant amount of challenges in the laboratory and in the data analysis. In spite of the importance of the diffusion processes not much effort has been put in the understanding and calculation of the gas-liquid diffusion coefficient. In a recent work Guerrero-Aconcha and Kantzas (2008) used the "Slopes and Intercepts" analytical technique to successfully obtain the diffusion coefficient of liquid hydrocarbons in heavy oil. However the technique involves the previous knowledge of the composition density relationship. Here a non-iterative finite volume method was used to obtain the diffusion coefficient dependent on concentration without previous knowledge of relations for the diffusion coefficient and density with concentration. Computed Assisted Tomography (CAT) was used to obtain the density profiles and back calculate the concentration-dependent diffusion coefficients. The results agree very well with the theory of diffusion in binary mixtures. An empirical model was used to perform predictions on the studied systems. The results are the vital importance for VAPEX and cyclic solvent injection recovery processes.
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 ».