Innovations Into Minimizing Interfacial Contamination Between Crude Batches due to Dead-Legs in Pump Station Piping Layouts
Notice bibliographique
Résumé
Invariably, oil pump station piping layouts may contain multiple dead-legs brought about by closed valves at one end of side branches, while flows continue through the main runs. During the transportation of heavy crude through the pump station, these dead-legs will be filled with this crude. When a light crude batch is introduced next into the pipeline, following the heavy crude ahead, two phenomena will occur. First, contamination between batches at the interface of the two crudes will occur due to axial turbulent diffusion along the length of the pipeline itself. Second, as the light crude flows through the pump station, and passes by each dead-leg containing residual heavy crude from the preceding batch, the heavy crude trapped in these dead-legs will start to drain out into the passing light crude in the main run. This causes further contamination and spreading of the mixing zone between the two batches. The second source of contamination, which is addressed in this paper, could cause appreciable contamination particularly for large dead-leg sizes and numbers. A computational fluid dynamics (CFD) model has been developed to quantify the drainage rate of the contaminating crude into the main stream and its impact on widening the mixed zone (contamination spread) between the two batches. Two drainage mechanisms of the heavy crude in the dead-legs into the main stream of the light crude have been identified and quantified. Finally, potential innovations to mitigate contamination due to dead legs are presented and quantified for their respective effectiveness in minimizing the contamination spreads between batches of different crudes.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».