MétaCan
Menu
Retour à la cohorte
Enregistrement W2333709440 · doi:10.2118/179826-ms

Nanoparticles as Foam Stabilizer for Steam-Foam Process

2016· article· en· W2333709440 sur OpenAlexafffund
Maryam Khajehpour, S. Reza Etminan, Jon Goldman, Fred Wassmuth

Notice bibliographique

RevueSPE EOR Conference at Oil and Gas West Asia · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensAlberta InnovatesUniversity of Calgary
Organismes subventionnairesCanada Research ChairsAlberta Innovates - Technology Futures
Mots-clésMaterials scienceNanoparticlePulmonary surfactantFoaming agentEnhanced oil recoveryChemical engineeringAdsorptionBrineStabilizer (aeronautics)Thermal stabilityDynamic light scatteringComposite materialVolume (thermodynamics)NanotechnologyChemistryPorosityOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Steam foams have been considered as effective additives for unconventional oil recovery processes. Conventionally for steam-foam applications, chemical additives are injected with steam. However, this operation has serious drawbacks owing to poor thermal stability of additives and high volume of additives loss, due to adsorption to rocks surface. To overcome these limitations, nanoparticles can be used as novel additives to improve generation and stabilization of the foams for steam-foam applications. In this study, silica nanoparticles in synergy with surfactants have been used as steam additives. Dynamic light scattering (DLS), foam height test using N2 at reservoir conditions, and thermal stability analysis were designed to measure nanoparticles size distribution in brine, foam-ability and thermal stability of the additive solutions, respectively. Subsequently, core-flooding tests were performed to evaluate the synergistic effect of nanoparticles and surfactants on the foam quality and oil recovery. We observe an optimum ratio of nanoparticle and surfactant that yields the best foam generation performance (maximum foam height). Herein, surface treated silica nanoparticles have been tested with two of our candidate surfactants. The nanoparticles alone generate small amount of foam, while each surfactant generates a small to moderate amount of foam. Synergy is demonstrated by the system which contains 0.1 wt% nanoparticles (the optmum concentration) and 0.5 wt% of surfactant solution at neutral pH (~7), as it leads to about 67% and 50% greater foam height respectively for Surfactants A and B than observed in tests with surfactants only. Core-floods with co-injected steam and water containing nanoparticles and surfactant confirm the synergy, exhibiting significant improvement in mobility factor reduction (MRF) and steam control, compared to co-injection of steam and water containing only surfactant.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,610
Score d'incertitude au seuil0,721

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 Opus0,012
Tête enseignante GPT0,245
Écart entre enseignants0,233 · 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'admission2
Résumé présentoui

Explorer davantage

Même revueSPE EOR Conference at Oil and Gas West AsiaMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207