Drop sizes during turbulent mixing of toluene–heavy oil fractions in water
Notice bibliographique
Résumé
Abstract The properties of heavy oil emulsions produced in heavy oil extractions processes often fluctuate, thus making treatments difficult. We investigated whether oil‐phase ratios and flow conditions might influence these emulsions. We studied turbulent mixing effects on droplet sizes in real time, using a fully baffled stirred tank with a Rushton turbine in bench‐scale batch experiments. Breakup/coalescence of various volume fractions of toluene diluted heavy oil in model process water was measured at four mixing speeds. The range of oil volume fractions was 0.01 to 0.3, where 0.01 is the Kolmogorov limit and 0.3 the upper limit for oil‐in‐water (O/W) emulsions. Results showed that size distributions depended on mixing time, rpm, and oil fractions. Breakage dominated at low oil fraction 0.01 and high mixing intensities produced bimodal distributions. The persistence of finer droplets was attributed to reduced coalescence. Steady state was not reached. The middle range oil fractions (0.05, 0.1) approached steady state more quickly and followed a first‐order breakage model at 800 rpm. The size distributions narrowed before the end of the mixing time. The highest oil fractions and lowest mixing speeds produced the largest droplet sizes. Plots of d 32 vs. rpm for 75 min mixing showed that as the volume fraction of oil phase increased the shapes of the curves changed from concave to linear to convex. The d 32 vs. energy dissipation curves suggested that turbulent dampening reduced breakage. However, drop coalescence from erosive collisions as well as droplet surface elasticity were factors affecting droplet sizes. © 2006 American Institute of Chemical Engineers AIChE J, 2006
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 ».