MétaCan
Menu
Retour à la cohorte
Enregistrement W2428174665 · doi:10.5006/c2016-07783

The Development of Sulfur/Corrosion Inhibitor Product for Extremely Sour Environments

2016· article· en· W2428174665 sur OpenAlexaboutno aff
Haitao Fang, Tracey Jackson, David Orta, Saadedine Tebbal

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Gas Emission Control
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSour gasSulfurCorrosionCorrosion inhibitorMetallurgyMaterials scienceWaste managementEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract There are aggressive wells in Canada, Germany, and the Middle East that have high temperature, high H2S and CO2 content, and which produce several tons of elemental sulfur each day. These wells must be produced with co-injection of sulfur solvents to prevent the plugging of the well bore. As one might expect these wells can also be highly corrosive and chemical products must also include corrosion inhibitors to extend the lifespan of the wells. Qualification of sulfur solvents with corrosion resistant properties is the key to mitigating the risk of these assets. The qualification process can be challenging since laboratory testing under so harsh conditions requires addition of liquid H2S and liquid CO2 to the autoclaves at room temperature. This process requires equation-of-state calculations to model the contents of the autoclave at room temperature to achieve at-temperature conditions. This paper addresses one such qualification where the field conditions were predicted to be extremely sour with 35% of H2S, 9.5% of CO2, and a total pressure of 3400 psi at bottom hole. Temperatures were expected to exceed 300°F. The wells are also expected to produce significant amounts of elemental sulfur (>100 lb/MMScf). A combination sulfur solvent with corrosion inhibitor product was developed specifically for this sour gas field. The sulfur uptake, boiling point, emulsion tendency and the corrosion inhibition performance of the new product were evaluated in the laboratory.

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 enseignants0,404
Score d'incertitude au seuil0,194

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 Opus0,022
Tête enseignante GPT0,212
Écart entre enseignants0,190 · 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

Citations3
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndustrial Gas Emission ControlTravaux en français237 207