Development of a Population Balance Model to Describe the Influence of Shear and Nanoparticles on the Aggregation and Fragmentation of Asphaltene Aggregates
Notice bibliographique
Résumé
The precipitation and deposition of asphaltenes is a primary problem related to the processing, transportation, and production of oil. Flocculation of asphaltene aggregates is likely to occur during the production and processing of crude oil. Recently, it has been shown that nanotechnology in the form of nanoparticles is useful for the inhibition or prevention of asphaltene formation damage. Although it is well-known that the adsorption of asphaltenes on the nanoparticle surface would reduce the capacity of these asphaltic compounds to interact with each other, limited studies have been performed regarding the processes and the mechanisms associated with the effect of nanoparticles on the inhibition of the formation damage due to asphaltenes. To better understand this phenomenon from a mathematical approach, a population balance model (PBM) is proposed to describe the kinetics of asphaltene flocculation-fragmentation in the presence of nanoparticles. The model assumes that asphaltenes in the presence of a shear rate are related to the aggregation and fragmentation phenomena and includes a term related to the asphaltene adsorption on nanoparticles. An adsorption kinetic term was introduced into the model using the double exponential model. Experimental data of the kinetics of asphaltene aggregation were obtained by dynamic light scattering (DLS) measurements at a fixed initial asphaltene concentration of 1000 mg/L and with different Heptol mixtures. In this study, commercial silica, γ-alumina, and magnetite nanoparticles were used as adsorbents to study the effect of the chemical nature of the nanoparticles on the inhibition of the asphaltene growth and for model validation. Additionally, to demonstrate the versatility of the proposed model, the effect of asphaltene was also evaluated. The obtained results from the proposed population balance model agree well with the experimental data, within an RSME % < 9%.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».