MétaCan
Menu
Retour à la cohorte
Enregistrement W2789815275 · doi:10.2118/0318-0020-jpt

Technology Update: Improving Corrosion Management by Using a Micelle Detection Technology

2018· article· en· W2789815275 sur OpenAlexaff
Scott Rankin, Andrew Osnowski, Fiona Mackay, Emma Perfect, Mohsen Achour, David Blumer

Notice bibliographique

RevueJournal of Petroleum Technology · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensConocoPhillips (Canada)
Organismes subventionnairesnon disponible
Mots-clésCorrosionCorrosion inhibitorCorrosion monitoringMicelleComputer scienceDosingChemistryEnvironmental scienceProcess engineeringEngineeringAqueous solutionOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Technology Update Corrosion inhibitors are often the first line of defense against internal corrosion, and effective mitigation relies on proactive monitoring and management of these inhibitors to allow for regular feedback and dose adjustment. There have been recent developments in this field, for example in greener chemistries (NACE 2016-7738) and treatment methods (Achour et al. 2008) and a growth in the number of papers published in OnePetro. We found an 18% increase in the number of publications in the last 10 years, compared with the previous 10, when searching the terms “corrosion AND inhibitor”. Nevertheless, there is room for improvement. Common industry opinion is that current residual monitoring methods, such as colorimetric-complex methods or liquid chromatography mass spectrometry are either not sufficiently reliable for effective inhibitor dosage management or too complex to apply in the field. Yet there is a significant commercial driver, as dosing corrosion inhibitors is an expensive undertaking and the potential cost improvements from improved management are significant. One North Sea operator reported that it believed it was overdosing inhibitor at an extra cost of pound 400,000 per year. An alternative corrosion inhibitor monitoring approach, first published in 2011 (NACE 11071), exploits the formation of corrosion inhibitor micelles and poses the questions: Does micelle detection have a place in the inhibitor qualification process? Can it help inform chemical management in the field? Micelles—a Recap The most common class of corrosion inhibitor used in the oilfield is amphiphilic surfactant molecules, which form a barrier on the pipe surface to protect from corrosion. Above a certain concentration, nanoscale aggregates called corrosion inhibitor micelles are formed. This point is called the Critical Micelle Concentration (CMC) and is specific to the chemical and unique physical conditions found in each system. The CMC has been shown to be an important factor in establishing an effective inhibitor dose, with the optimum dose being equivalent to the CMC (e.g. NACE 10326). Below the CMC, there is an opportunity to dose additional inhibitor to further reduce corrosion while above the CMC, surplus inhibitor may be present. Earlier studies looking at CMC and its relation to optimal inhibitor dose were relatively simplistic laboratory studies. Out of the 43 CMC studies reviewed, only one study used formulated inhibitors, with the majority looking only at single components, e.g. an imidazoline. Importantly, all 43 studies used model systems to test the corrosion inhibitors, rather than complex field fluids. It is therefore pertinent to address the question of whether micelles and the significance of the CMC are still relevant in real field conditions.

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)0,004
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,005
Science ouverte0,0020,001
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0260,022

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 Opus0,007
Tête enseignante GPT0,242
Écart entre enseignants0,235 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Petroleum TechnologyMême sujetCorrosion Behavior and InhibitionTravaux en français237 207