Silica-Based Nanofluid Heavy Oil Recovery A Microfluidic Approach
Notice bibliographique
Résumé
Abstract Heavy oil reservoirs form one of the primary unconventional fossil fuel resources to meet the growing demand for global energy. Hydrocarbon recovery yields from these reservoirs is often low or requires energy intensive thermal processes. For instance, in the case of waterflooding in heavy oil reservoirs, high oil viscosity results in early breakthrough and poor sweep efficiencies. Polymers have been used to increase the displacing water viscosity for conformance control and viscous fingering attenuation. However, polymer degradation and entrapment inside the reservoir make them less attractive. Recent experiments using conventional oil samples showed that the incorporation of silica nanoparticles in the injected solution (i.e. nanofluid) can dramatically enhance oil production. Nanofluids are more stable than polymers in harsh reservoir conditions, also they can modify the interfacial properties between oil and water, and thereby nanofluids may provide capabilities for heavy oil recovery. In this study, a microfluidic platform was utilized to monitor the process of nanofluid-based heavy oil recovery for a representative Alberta heavy oil sample. To create a reference, recovery experiments were repeated with waterflooding and surfactant flooding process. Consistent with coreflood experiments for conventional oil samples, nanofluid injection increases the oil recovery compared to the waterflooding. Microscale visualization revealed that emulsion formation during heavy oil displacement with chemicals is the main factor in incremental recovery. The developed microfluidic approach is a powerful mimetic model for the real-time visualization of the chemical-based heavy oil recovery process in micro/nano scale. Considering the time-consuming and expensive nature of coreflood experiments, this method provides an attractive alternative for rapid and low-cost chemical-enhanced oil recovery (EOR) screening studies. Results demonstrate the strength of nanofluid-EOR as an efficient recovery method for Alberta heavy oil reservoirs.
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 | 0,000 | 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 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 ».