MétaCan
Menu
Retour à la cohorte
Enregistrement W2570760857 · doi:10.2118/174254-pa

Stabilizing CO2 Foam by Use of Nanoparticles

2017· article· en· W2570760857 sur OpenAlexfundno aff
Arezoo S. Emrani, H. A. Nasr‐El‐Din

Notice bibliographique

RevueSPE Journal · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesCrisman Institute for Petroleum Research, Texas A and M UniversityUniversity of AlbertaSaudi AramcoTexas A and M University
Mots-clésPulmonary surfactantEnhanced oil recoveryBrineChemical engineeringMaterials scienceNanoparticleAqueous solutionViscoelasticityPressure dropComposite materialChemistryNanotechnologyThermodynamicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Summary Foamed fluids have been used for decades to diminish formation damage in nearly all kinds of reservoirs over a wide range of pressures and temperatures. Although water-based fluids are widely used in the oil industry as one of the most-economic hydraulic-fracturing methods, foam is another viable alternative to fracture water-sensitive reservoirs where damage to pore throats is caused by swelling clays or fines migration. CO2 foam not only reduces formation damage by minimizing the quantity of aqueous fluid that enters the formation, but also significantly improves sweep efficiency. Even though surfactant is commonly used to generate stable foam in high-temperature and high-salinity environments, such foam can degrade in these harsh conditions. The main objective of this study is to improve the stability of CO2 foam by the use of a mixture of CO2/alpha olefin sulfonate (AOS) solution with nanoparticles, guar gum, or viscoelastic surfactants (VESs). Foam stability is studied for various solutions by the use of a high-pressure view-chamber (HPVC) setup to find the optimal surfactant and nanoparticle concentration at which higher foam stability in the CO2 foam system can be reached. In addition to surfactant and nanoparticle concentration, the effects of temperature, pressure, and salinity on foam stability were studied. Temperature ranged from 75 to 212°F, and pressure increased from atmospheric to 800 psi. AOS solutions were prepared with brine and surfactant concentrations ranging from 1.0 to 10 wt% of NaCl and zero to 1 wt% of AOS. Temperature and pressure had a negative effect on the foam stability when AOS solutions were used. However, nanoparticles improved the foam stability for AOS, AOS and guar gum, and AOS with VES solutions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,026
Tête enseignante GPT0,256
Écart entre enseignants0,231 · 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 source (Gemma direct ou Codex distillé), 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

Citations86
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE JournalMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207