Development of a Microfluidic Device for Rapid Assessment of EOR Additives
Notice bibliographique
Résumé
Abstract Microfluidics permits small scale economically controllable testing/analysis environments, and has been leveraged in biochemistry and the life sciences to access previously unavailable efficiencies, most notably in DNA sequencing, protein analysis, and soft material (e.g. tissues, emulsions) synthesis. Recently, these techniques have been applied to petroleum science and the results show promise. Methods have been reported in the literature for studying CO2 diffusion, investigating reservoir fluid phase behaviour, and asphaltene content measurement. These methods drastically reduce sample volume (from litres to nanolitres) and measurement time (from several hours or days to 30 minutes or less) requirements, while maintaining or increasing accuracy offered by traditional methods. In the present study, we used microfluidics to simulate the situation where emulsions form in the SAGD process in two situations; pure steam injection and steam + additives injection. Emulsions were generated in pore-scale geometries (~ 100 µm) without and with an alkaline additive. It was found that alkaline solutions produced finer emulsions (by up to nn%). A weak dependence of mean emulsion diameter on additive concentration was also observed. In addition to informing improvements to EOR, the platform may be adapted for use in studying emulsions formed during oil and gas processing as well (e.g. in valves, pumps).
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 ».