Low Salinity Hot Water Injection with Addition of Nanoparticles for Enhancing Heavy Oil Recovery under Reservoir Conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this study, a novel technique of low salinity hot water (LSHW) injection with addition of nanoparticles has been developed to examine the synergistic effects of thermal energy, low salinity water (LSW) flooding, and nanoparticles for enhancing heavy oil recovery, while optimizing the operating parameters for such a hybrid enhanced oil recovery (EOR) method. Experimentally, one-dimensional (1D) displacement experiments under different temperatures have been performed, while two types of nanoparticles (i.e., SiO2 and Al2O3) are respectively examined as the additive in the LSW. The performance of LSW injection with and without nanoparticles at various temperatures is evaluated, allowing optimization of the timing to initiate low salinity water injection. The corresponding initial oil saturation, production rate, water cut, and ultimate oil recovery, are continuously monitored and measured under various operating conditions. Compared to conventional water injection, the low salinity water injection is found to effectively improve heavy oil recovery as an EOR technique in the presence of nanoparticles. Also, the addition of nanoparticles into the LSHW can promote synergistic effect of thermal energy, wettability alteration, and reduction of interfacial tension (IFT), which improves water displacement efficiency and thus enhances oil recovery. It has been experimentally demonstrated that such LSHW injection with the addition of nanoparticles can be optimized to greatly improve oil recovery up to 40.2% in heavy oil reservoirs with low energy consumption.
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.
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 | 0,000 | 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 découle