MétaCan
Menu
Retour à la cohorte
Enregistrement W2771538814 · doi:10.2118/184555-pa

Microemulsion Phase-Behavior Equation-of-State Model Using Empirical Trends in Chemical Potentials

2017· article· en· W2771538814 sur OpenAlexfundno aff
V. Torrealba, Russell T. Johns

Notice bibliographique

RevueSPE Journal · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesCMG Reservoir Simulation FoundationPennsylvania State University
Mots-clésEquation of statePulmonary surfactantMicelleThermodynamicsPhase (matter)MicroemulsionYield (engineering)CurvatureMaterials scienceEnhanced oil recoveryChemistryMechanicsChemical engineeringMathematicsOrganic chemistryPhysicsGeometryEngineering

Résumé

récupéré en direct d'OpenAlex

Summary Surfactant-based enhanced oil recovery (EOR) is a promising technique because of surfactant's ability to mobilize previously trapped oil by significantly reducing capillary forces at the pore scale. However, the field-implementation of these techniques is challenged by the high cost of chemicals, which makes the margin of error for the deployment of such methods increasingly narrow. Some commonly recognized issues are surfactant adsorption, surfactant partitioning to the excess phases, thermal and physical degradation, and scale-representative phase behavior. Recent contributions to the petroleum-engineering literature have used the hydrophilic/lipophilic-difference net-average-curvature (HLD-NAC) model to develop a phase-behavior equation of state (EoS) to fit experimental data and predict phase behavior away from tuned data. The model currently assumes spherical micelles and constant three-phase correlation length, which may yield errors in the bicontinuous region where micelles transition into cylindrical and planar shapes. In this paper, we introduce a new empirical phase-behavior model that is based on chemical-potential (CP) trends and HLD that eliminates NAC so that spherical micelles and the constant three-phase correlation length are no longer assumed. The model is able to describe all two-phase regions, and is shown to represent accurately experimental data at fixed composition and changing HLD (e.g., a salinity scan) as well as variable-composition data at fixed HLD. Further, the model is extended to account for surfactant partitioning into the excess phases. The model is benchmarked against experimental data (considering both pure-alkane and crude-oil cases), showing excellent fits and predictions for a wide variety of experiments, and is compared to the recently developed HLD-NAC EoS model for reference.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,088
Tête enseignante GPT0,389
Écart entre enseignants0,301 · 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'étudeSimulation ou modélisation
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

Citations20
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE JournalMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207