Enhanced Heavy Oil Recovery by in Situ Prepared Ultradispersed Multimetallic Nanoparticles: A Study of Hot Fluid Flooding for Athabasca Bitumen Recovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many in situ recovery methods have been developed to extract heavy oil and bitumen from deep reservoirs. The “underground refinery” approach using a nanosize ultradispersed (UD) catalyst is one of the alternatives to surface upgrading that may become the “next generation” of oil sands industry improvement. Water-in-vacuum gas oil microemulsions containing trimetallic (W, Ni, and Mo) ultradispersed colloidal nanoparticles could penetrate inside the porous medium and react with the bitumen. This study is aimed at developing a catalytic-enhanced oil recovery method for Athabasca bitumen recovery through the viscosity reduction mechanism with the aid of trimetallic nanoparticles. In this study, series of experiments were conducted at a pressure of 3.5 MPa, residence time of 36 h, and temperatures from 320 to 340 °C in an oil sands packed bed column. Results of three consecutive categories of hot fluid injection (in the presence or absence of trimetallic nanoparticles) are presented. For the first category, the obtained experimental results showed that the recovery curve for vacuum gas oil injection without nanocatalysts was at a plateau. In the second series of tests, observations proved that adding a certain percentage of pentane enhanced the recovery performance of injection tests. The third phase of experiments was conducted in the presence of trimetallic nanocatalysts in emulsion with vacuum gas oil. Results showed the effectiveness of nanocatalysts for enhancing the recovery performance compared with the cases of no nanoparticle implementation.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle