MétaCan
Menu
Retour à la cohorte
Enregistrement W2316901052 · doi:10.1021/je101162n

Phase Separation and Interfacial Viscoelasticity of Charge-Neutralized Heavy Oil Nanoemulsions in Water

2011· article· en· W2316901052 sur OpenAlexaff
Chandra W. Angle, Yujuan Hua

Notice bibliographique

RevueJournal of Chemical & Engineering Data · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésViscoelasticityCoalescence (physics)AdsorptionPolymerChemical engineeringMaterials sciencePhase (matter)Drop (telecommunication)ChemistryComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Steam-assisted gravity drainage processes for heavy oil recovery produce extremely stable nanoemulsions that remain dispersed in water for years if left untreated. The need to produce clean water for recycling demands that the nanoemulsions be destabilized and the oil phase separated from the water. The destabilization of these nanoemulsions requires an understanding of the nature of the oil−water interface. In this paper, the ζ potential and sizes of the nanoemulsions were measured with and without treatment with a cationic polymer. The coalescence of nanoemulsions was monitored by size changes using dynamic light scattering, microscopy, and water-phase separation kinetics. Small-deformation pendant drop oscillation was used to measure the dilational viscoelasticity of the oil−water interface with and without polymer adsorption. The results indicated that both the size and the large negative ζ potential contribute to the stability of the nanoemulsions in water. The addition of polymer not only causes charge neutralization but also enhances the interfacial activity and modifies the interfacial dilational viscoelasticity. The viscoelasticity is dependent on the frequency of droplet oscillation. Polymer adsorption modifies these interfacial properties while enabling coalescence and phase separation.

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)0,000
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 enseignants0,021
Score d'incertitude au seuil0,434

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,032
Tête enseignante GPT0,287
Écart entre enseignants0,256 · 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

Citations16
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Chemical & Engineering DataMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207