MétaCan
Menu
Retour à la cohorte
Enregistrement W2511426990 · doi:10.1021/acs.energyfuels.5b01174

Extraction of Bitumen from Oil Sands Using Deep Eutectic Ionic Liquid Analogues

2015· article· en· W2511426990 sur OpenAlexaboutno aff
Nuerxida Pulati, Aron Lupinsky, Bruce G. Miller, Paul C. Painter

Notice bibliographique

RevueEnergy & Fuels · 2015
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueIonic liquids properties and applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNaphthaEutectic systemAsphaltDeep eutectic solventExtraction (chemistry)Oil sandsChemical engineeringIonic liquidSolventChemistryMixing (physics)Choline chloridePetrochemicalMaterials scienceChromatographyOrganic chemistryComposite materialCatalysis

Résumé

récupéré en direct d'OpenAlex

It is demonstrated that bitumen can be separated from “water-wet” Alberta oil sands and “oil-wet” Utah oil sands using a so-called analogue ionic liquid (IL) based on deep eutectic mixtures of choline chloride and urea (ChCl/U) together with a diluent such as naphtha. Unlike conventional ILs, these eutectics are relatively cheap and environmentally friendly. The process is straightforward and involves simply mixing the components at ambient temperatures followed by standard solid/liquid and liquid/liquid separation steps. The ChCl/U mixture appears to reduce the adhesion of bitumen to sand, facilitating separation. It is also immiscible with hydrocarbons such as bitumen or oil. Coupled with a large density difference, this results in a sharp phase separation of hydrocarbons from the ChCl/U mixture. The ChCl/U deep eutectic essentially acts as a separating fluid, keeping the naphtha-diluted bitumen and extracted sand apart, facilitating subsequent separations and solvent recovery steps. However, ChCl/U mixtures are highly viscous at ambient temperatures, but high concentrations of this deep eutectic in water also work well. Initial scale-up work suggests that this approach may form the basis for a viable large-scale process.

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 enseignants0,028
Score d'incertitude au seuil0,438

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 Opus0,033
Tête enseignante GPT0,258
Écart entre enseignants0,225 · 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

Citations46
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetIonic liquids properties and applicationsTravaux en français237 207