Prevention of Acid Induced Asphaltene Precipitation: A Comparison of Anionic vs. Cationic Surfactants
Notice bibliographique
Résumé
Abstract With the recent proliferation of horizontal drilling specifically targeting oil bearing reservoirs, high strength acid fracturing treatments in the Beaverhill Lake formation in northern Alberta have dramatically increased in both product volume and number of treatments. The Beaverhill Lake formation is a limestone/calcareous shale that produces a desirable mid to high API sweet crude oil. Although the crude oil typically has a low concentration of asphaltenes, the oil is very sensitive to acid and/or iron induced asphaltene precipitation. As the acid strength increases and ferric iron is dissolved into solution, it becomes increasingly difficult to chemically prevent the asphaltenes from precipitating. Acid blends designed to prevent asphaltene precipitation also tend to be very emulsifying with the crude oil, therefore a careful balance between anti-sludge additives and non-emulsifiers must be found. This paper will describe the chemistry of surfactants that can be used to prevent asphaltene precipitation as a result of acid/oil contact. Specifically, a comparison of anionic versus cationic surfactants will be given, describing both the benefits and detriments of using these in acid blends. A discussion of the change from vertical well completions in the Beaverhill Lake formation to horizontal multi-zone completions will be presented. As a result of this change in completions, the desired properties of the acid blends have changed noteably. The final results of a comprehensive laboratory study to optimize cost and performance of the acid blends will be presented. A review of field case studies comparing formation response to anionic and cationic acid blends will also be presented.
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) | 0,004 | 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 ».