Study of Ionic Liquids as Effective Solvents for Enhanced Heavy Oil Recovery
Notice bibliographique
Résumé
Injecting chemicals in reservoirs is an efficient technique to improve oil recovery. In this study, several types of Ionic Liquids (ILs) were initially screened using the Conductorlike Screening Model for Realistic Solvents (COSMO-RS) model. COSMO-RS, in particular, is capable of providing predictions of the thermodynamics properties of ILs. A comprehensive screening study of 148 probable cations and 46 anions was performed in order to shed some light on the interaction of ILs with hydrocarbons via the calculation of the capacity of the screened ILs to hydrocarbons fractions and water. The most suitable ILs for our purposes were chosen, and employed for improving heavy oil (14o API) recovery from sand pack at room conditions taking the cost, physical and chemical properties of the ILs into consideration. The selected ILs were 1-Dodecyl-3- methylimidazolium chloride [DMIM][Cl], 1-Ethyl-3-methylimidazolium acetate [EMIM][Ac], 1-Ethyl-3-methylimidazolium methyl sulfate [EMIM][MS], 1-Hexyl-3- methylimidazolium tetrafluoroborate [HMIM][Bf4], 1-Butyl-3-methylimidazolium bis(trifluoromethylsulfonyl)imide [BMIM][Tf2N], 1-Methyl-3-octylimidazolium tetrafluoroborate [MOIM][Bf4], 1-Methyl-3-octylimidazolium hexafluorophosphate [MOIM][PF6], 1,3-Dimethylimidazolium tosylate [dMIM][TOS], 1-Benzyl-3- methylimidazolium tosylate [BenzMIM][TOS], N-methylpyridinium tosylate [MPyr][TOS], 1-Ethyl-3-methylimidazolium chloride [EMIM][Cl], 1-Benzyl-3- methylimidazolium chloride [BenzMIM][Cl], and Trihexyltetradecylphosphonium chloride [THTDPh][Cl].
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) | 0,001 | 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 | 0,001 | 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 ».