MétaCan
Menu
Retour à la cohorte
Enregistrement W2280575273 · doi:10.1021/acs.energyfuels.5b02216

Microfluidic Approach for Evaluating the Solubility of Crude Oil Asphaltenes

2016· article· en· W2280575273 sur OpenAlexaff
Vincent J. Sieben, Asok Kumar Tharanivasan, Simon Ivar Andersen, Farshid Mostowfi

Notice bibliographique

RevueEnergy & Fuels · 2016
Typearticle
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensSchlumberger (Canada)
Organismes subventionnairesnon disponible
Mots-clésAsphalteneSolubilityHildebrand solubility parameterGravimetric analysisSolventMicrofluidicsPrecipitationChemistryChromatographyDiluentMaterials scienceChemical engineeringOrganic chemistryNanotechnology

Résumé

récupéré en direct d'OpenAlex

In this paper, we describe a microfluidic approach for measuring the solubility of asphaltenes in a sample of crude oil. The solubility parameter is an important property in assessing stability of asphaltenes in crude oils and crude mixtures, particularly when blending different oils or adding diluents. A range of solvent–precipitant mixtures are added to the crude oil, which modifies the native solubility properties, and the degree of asphaltene precipitation is monitored by the change in optical absorbance for each chosen solvent volume fraction. The microfluidic solubility profiles acquired in hours are compared to conventional gravimetric measurements obtained over days and demonstrate excellent agreement. We also show the application of the data generated for tuning solubility parameter-based thermodynamic models of asphaltene precipitation in mixtures of solvents and precipitants. The microfluidic data were used to determine the asphaltene solubility parameter that ranged from 20 to 23 MPa 1/2 for the crude oils used in this study, in agreement with previous reports. The more efficient use of labor and the reduction in measurement time enabled by the microfluidic method will allow for more frequent asphaltene characterization for evaluating stability and tuning models.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,213
Score d'incertitude au seuil0,297

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,288
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetPetroleum Processing and AnalysisTravaux en français237 207