Notice bibliographique
Résumé
The modelling of viscosity of asphaltene solutions is a longstanding unresolved problem. A number of empirical and semi‐empirical viscosity models have been proposed. However, no single equation is found to adequately describe all the asphaltene systems. In this article, a new viscosity model for asphaltene solutions is developed taking into consideration the clustering of asphaltene nano‐aggregates. At low concentrations of asphaltenes, the asphaltenes are assumed to exist in the form of isolated “disk‐shaped” nano‐aggregates. At high concentrations, clustering of nano‐aggregates is allowed, resulting in an increase in the effective volume fraction of asphaltenes due to continuous‐phase immobilization within the clusters. A model is proposed to relate the effective volume fraction of asphaltenes to the actual volume fraction. The ratio of effective volume fraction to actual volume fraction of asphaltenes is dependent on the type of packing of nano‐aggregates within the clusters. The viscosity model is developed using the effective medium approach, taking into account the clustering of nano‐aggregates and the relationship between effective volume fraction and actual volume fraction of asphaltenes. Twenty‐one sets of literature data covering different sources of asphaltenes, different types of asphaltenes, different types of solvents, and broad ranges of temperature and volume fraction of asphaltenes, are used to validate the proposed model. All the viscosity data could be described very well with the proposed model assuming random close packing of nano‐aggregates within the clusters. Only intrinsic viscosity is required to predict relative viscosity of concentrated asphaltene solutions from the model.
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 ».