MétaCan
Menu
Retour à la cohorte
Enregistrement W2332912310 · doi:10.2118/165424-ms

Synergistic Interactions Between Different Components on Blending

2013· article· en· W2332912310 sur OpenAlexaff
Ishpinder Kailey, Jacqueline A. Behles, Catherine Blackwell

Notice bibliographique

RevueSPE Heavy Oil Conference-Canada · 2013
Typearticle
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensBaker Hughes (Canada)
Organismes subventionnairesnon disponible
Mots-clésArithmetic underflowYield (engineering)AsphaltChemical engineeringSolubilitySurface tensionMaterials scienceChemistryComposite materialOrganic chemistryThermodynamics

Résumé

récupéré en direct d'OpenAlex

Abstract Chemical demulsification is the most widely used method for breaking water-in-diluted bitumen emulsions in oil sands processing. In this paper, the properties and the performance of six intermediates and three blends were investigated. The intermediates and blends were characterized by their relative solubility number (RSN). The results showed that the RSN is an additive property. The dehydration efficiency of the blends was higher than the individual components at the same dosage, indicating there were synergistic interactions among the components on blending. The performance of the demulsifiers was correlated to the interfacial tension (IFT), yield stress of underflow, and bitumen loss to tailings. The equilibrium IFT results did not illustrate any correlation with the performance of the demulsifiers. The yield stress of the underflow, which included settled solids, water, and a rag layer increased with increasing dosage of either intermediate or blend. In addition, the bitumen loss to underflow increased with increasing dosage of either intermediate or blend. The yield stress and bitumen loss to underflow reduced on blending the intermediates. The bitumen loss to underflow increased the size of the aggregates present in the underflow, increasing their immobility and constriction to flow, and eventually a higher yield stress.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0010,000

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 Opus0,031
Tête enseignante GPT0,240
Écart entre enseignants0,209 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE Heavy Oil Conference-CanadaMême sujetPetroleum Processing and AnalysisTravaux en français237 207