Evaluating Diffusivity of Toluene in Heavy Oil Using Nuclear Magnetic Resonance Imaging
Notice bibliographique
Résumé
Solvent-based processes have shown technical advantages over thermal techniques for recovery of heavy oil and bitumen. The success of these processes relies on accurate computation of molecular diffusion coefficient which determines how fast a solvent penetrates into oil. Concentration profile measurements of solvent in oil are used for the determination of the molecular diffusion coefficient. Although numerous experimental techniques have been proposed, the accurate estimation of this parameter is still a topic of debate in the literature. In this work, 1-D nuclear magnetic resonance imaging (MRI) is employed to obtain diffusivity data for a toluene–heavy oil system. Diffusion of toluene in heavy oil was monitored for 20 days at a controlled temperature of 35 °C and ambient pressure. Over time, toluene diffusion into oil leads to changes in spatial distribution of T 1 and T 2 that affect the received signal. This serves as the basis of the solvent and heavy oil concentration estimation. Consequently, concentration profiles were established by converting the MRI signals to concentration values. This conversion was achieved by creating samples with known concentrations of heavy oil–toluene and measuring their response in the same environment and parameter settings. A concentration-dependent diffusion coefficient was obtained from concentration profiles. The results show that relaxation based 1D MRI is an accurate and robust tool to obtain diffusivity data in complex fluids such as heavy oil.
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 | 0,000 | 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 | 0,000 |
| 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 ».