Drag Reducer Selection for Oil Pipeline Based Laboratory Experiment
Notice bibliographique
Résumé
Oil and gas industry is one of the most capital-intensive industry in the world. Each step of oil and gas processing starting from exploration, exploitation, up to abandonment of the field, consumes large amount of capital. Optimization in each step of process is essential to reduce expenditure. In this paper, optimization of fluid flow in pipeline during oil transportation will be observed and studied in order to increase pipeline flow performance.This paper concentrates on chemical application into pipeline therefore the chemical can increase overall pipeline throughput or decrease energy requirement for oil transportation. These chemicals are called drag reducing agent, which consist of various chemicals such as surfactants, polymers, nanofluids, fibers, etc. During the application of chemical into pipeline flow system, these chemicals are already proven to decrease pump work for constant flow rate or allow pipeline to transport more oil for same amount of pump work. The first application of drag reducer in large scale oil transportation was in Trans Alaskan Pipeline System which cancel the need to build several pump stations because of the successful application. Since then, more company worldwide started to apply drag reducer to their pipeline system.Several tedious testings on laboratory should be done to examine the effect of drag reducer to crude oil that will be the subject of application. In this paper, one of the testing method is studied and experimented to select the most effective DRA from several proposed additives. For given pipeline system and crude oil type, the most optimum DRA is DRA A for pipeline section S-R and for section R-P is DRA B. Different type of oil and pipeline geometry will require different chemical drag reducer.
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 | 0,001 | 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 ».