In Situ Oil Spill Countermeasures in Ice-Infested Waters: A Modeling Study of the Fate/Behaviours of Spilled Oil
Notice bibliographique
Résumé
ABSTRACT The expansion of offshore oil and gas and marine transport activities in the Arctic have raised the level of risk for an oil spill to occur in the Arctic region. Existing technologies for oil spill cleanup in ice-covered conditions are limited and there is a need for improved oil spill countermeasures for use under Arctic conditions. A recent field study has assessed a proposed oil spill response technique in ice-infested waters based on the application of fine minerals in a slurry with mixing by propeller-wash to promote the formation of oil-mineral aggregates (OMA). While it was verified in the experimental study that the dispersion was enhanced and mineral fine additions promoted habitat recovery by enhancing both the rate and extent of oil biodegradation, limited monitoring data provide little insights on the fate of dispersed oil after the response. To help understand the oil transport process following mineral treatment in ice-covered conditions, mathematical modeling was used in this study to simulate the transport of OMA and calculate the mass balances of the spilled oil. To study the effects of ice and minerals on the fate and transport, the result was compared with scenarios without ice and without the addition of mineral fines. The results show general agreement between the modeling results and field observations, and further confirm the effectiveness and potential for using mineral treatment as a new oil spill counter-measure technology. This technique offers several operational advantages for use under Arctic conditions, including reduced number of personnel required for its application, lack of need for waste disposal sites, and cost effectiveness.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».