MétaCan
Menu
Retour à la cohorte
Enregistrement W2617394107 · doi:10.3997/2214-4609.201701345

Coupling Heat and Mass Transfer at Interface for ES-SAGD with Multicomponent Solvent Injection

2017· article· en· W2617394107 sur OpenAlexaff
H. Liu, Lin Cheng, Peiying Jia

Notice bibliographique

RevueProceedings · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Capillary Electrophoresis Applications
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMass transferSolventDilutionSteam injectionPetroleum engineeringHeat transferMaterials scienceCoupling (piping)ChemistryChemical engineeringMechanicsThermodynamicsChromatographyOrganic chemistryComposite materialGeologyEngineering

Résumé

récupéré en direct d'OpenAlex

Summary Co-injection of solvent and steam in Expanding Solvent-Steam Assisted Gravity Drainage (ES-SAGD) increases the mobility of highly viscous oil relative to conventional SAGD wherein only steam is injected. This consequently results in higher oil production rates and lower energy consumption relative to SAGD due to the combined benefits of heating and dilution. Current efforts have been made to study mass transfer from a single-component-solvent/steam mixture into the heavy oil at the steam front, while the low-cost multicomponent solvent is actually co-injected with steam on the field, which presents a much more complicated interfacial condition.A generalized methodology has been developed to couple heat and mass transfer of this solventssteamheavy oil system at the interface.Results show that there exists a noticeable transient interface in the experiments and the mathematical model can reproduce the range of transit zone shown in the 2D glass-bead model with different multicomponent solvents.With the new methodology, an optimum multicomponent solvent can be screened from the ocean of solvent candidates for a best heat and mass transfer performance in an ES-SAGD process and hence the oil flux at the chamber edge can be maximized with a minimized solvent cost.

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 enseignants0,101
Score d'incertitude au seuil0,424

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 Opus0,011
Tête enseignante GPT0,221
Écart entre enseignants0,210 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedingsMême sujetMicrofluidic and Capillary Electrophoresis ApplicationsTravaux en français237 207